Documente Academic
Documente Profesional
Documente Cultură
IFR-2013-2014
2) k 1 k n
K Ak K
k 1
3) A, B K A B K
Definitie: O mulţime nevidă K P se numeşte -corp de mulţimi ( corp borelian)
dacă:
i) A K A K
ii) An nN K n
N
An K
Proprietăţile probabilităţii
atunci: lim P A
n
P
An
n
n N
Propoziţie: Un câmp de probabilitate în care probabilitatea este finit aditivă şi în care are
loc axioma continuităţii este un câmp borelian de probabilitate.
Probabilitate condiţionată
Fie , K , P un câmp de probabilitate şi A K astfel încât P A 0
Definiţie: Numim probabilitate condiţionată de evenimentul A a evenimentului B
P A B not
expresia PA B P B A
P A
Propoziţie: , K , PA este câmp de probabilitate
Definiţie: Evenimentele A şi B se numesc independente dacă P A B P A P B .
Comentarii:
1. independenţa înseamnă PA B P B
2. definiţia este echivalentă cu oricare dintre relaţiile:
i) P A B P A P B
ii) P A B P A P B
iii) P A B P A P B
Regula de înmulţire a probabilităţilor
Fie A
i 1 i n o familie finită de evenimente, astfel încât
P
n
Ai
0;
i 1
atunci:
P
n
Ai
P A1 PA A2 PA A A3 ...PA A ... A An
i 1 1 1 2 1 2 n 1
Considerăm desfacerea (sistemul complet de evenimente) Ai 1 i n , Ai A j ,
n
i j şi A i , P Ai 0, i 1,2,..., n . Dacă B K , P B 0 , atunci are loc:
i 1
n
Formula probabilităţii totale: P B P Ai P B Ai
i 1
Notăm cu B evenimentul care constă în apariţia de k ori a bilei albe şi de n-k ori a
B A A . . A A . . A
bilei negre. Atunci i ,i ,...,i i 1 2 n
1
i2 ik ik 1 in . Urmează că
k ori A,n-k ori A
P B P Ai Ai2 . . Ai Ai . . Ai pi pi . . pi qi . .qi
n
Constatăm că după aceeaşi regulă se calculează coeficientul lui x k
i1,i2 ,. .,in 1 k k1
i1,i2 ,. .,in 1 2 k k1 n
k ori A,n-k ori A k ori A,n-k ori A
din polinomul
n
P x pi x i qi , deci aşa vom determina simplu probabilitatea cerută.
i 1
b. Schema lui Bernoulli (schema bilei revenite) rezolvă problemele în care se cere să se
calculeze probabilitatea realizării unui eveniment de k ori într-o serie de n probe
independente, când se cunoaşte probabilitatea p a realizării evenimentului într-o singură
probă.
Se presupune că cele n urne din schema lui Poisson au aceeaşi compoziţie. A
extrage câte o bilă din fiecare urnă este echivalent cu a utiliza o singură urnă şi a reface
compoziţia după fiecare extragere (adică a reintroduce bila la loc în urnă). Polinomul
devine P x px q n , iar coeficientul lui x k , care dă probabilitatea căutată va fi
Cnk p k q n k .
c. Schema lui Bernoulli în mai multe culori (schema multinomială). Considerăm o urnă
care conţine bile de k culori: C1 , C2 ,..., Ck . Fie pi probabilitatea de a extrage o bilă de
culoarea Ci ; ne propunem să calculăm probabilitatea evenimentului ca în cele n probe
independente, reintroducând în urnă de fiecare dată bila extrasă, să apară de ni ori bila
de culoarea Ci , i 1,2,..., k . O situaţie posibilă este următoarea:
A1 A1 ...A1 A2 A2 ... A2 ... Ak Ak ... Ak
n1 ori n 2 ori n k ori
n n n
Probabilitatea acestui eveniment este p1 p2 ... pk 1 2 k
cu n1 n2 ... nk n . Cum
n!
evenimentul se poate exprima în n !n !..n ! situaţii distincte (incompatibile două câte
1 2 k
n!
două), rezultă că probabilitatea cerută este n !n !..n ! p1 p2 ... pk , n1 n2 ... nk n
n1 n2 nk
1 2 k
.
d. Schema bilei nerevenite: Se consideră o urnă care conţine N bile de două culori A şi
N
B în număr de N1 şi respectiv N 2 , extragându-se cu probabilităţile p1 1 p şi
N
N N N1 N
respectiv p2 2 1 1 1 p N1 Np, N 2 N 1 p .
N N N
Din urnă extrag n bile, fără a pune bila extrasă înapoi în urnă şi se cere
probabilitatea de a obţine k bile de culoarea celor având probabilitatea p de a fi extrase.
n
Utilizând definiţia clasică a probabilităţii, numărul cazurilor posibile este C N , iar
k nk
k
C Np C Nn 1k p
al celor favorabile C Np C N 1 p , probabilitatea cerută fiind: , unde numărul
C Nn
k satisface: max 0, n N 1 p k min n, Np .
Schema bilei nerevenite este un caz particular al schemei lui Polya. În acest caz,
extragerile se fac cu revenire, a.î. înaintea următoarei extrageri se pun în urnă j 1 bile
de culoarea bilei extrase.Se cere probabilitatea obţinerii a k bile de culoarea celor de
probabilitate p şi apoi a n-k bile de cealaltă culoare în urma a n astfel de extrageri.
Probabilitatea de a obţine k bile de culoarea celor de probabilitate p în primele k
extrageri şi n-k de cealaltă culoare, în următoarele n-k extrageri este:
N1 N1 j N1 k 1 j N2 N2 j N n k 1 j
pk ... ... 2
N1 N 2 N1 N 2 j N1 N 2 k 1 j N1 N 2 kj N1 N 2 k 1 j N1 N 2 n 1 j
aceasta reprezentând probabilitatea obţinerii a k bile de culoarea celor N1 şi a n-k de
k
culoarea celor N 2 în orice altă ordine, deci probabilitatea cerută este Cn pk .
N1 N2
Cum p, 1 p q , N1 N 2 N notând j , probabilitatea
N1 N 2 N1 N 2 N
k p p ... p k 1 q q ... q n k 1
cerută devine: Cn , care pentru j 1
1 1 2 ...1 n 1
1
,
N
Np Np 1... Np k 1 N 1 p N 1 p 1... N 1 p n k 1
Cnk
N N 1 N 2 ... N n 1
k
C Np C Nn 1k p
= , adicǎ probabilitatea obținutǎ ȋn schema bilei nerevenite.
C Nn
e. Schema bilei nerevenite în mai multe culori: Considerăm o urnă în care se află ni bile
de culoarea Ci , i 1,2,..., j . Se extrag n n n1 n2 ... n j bile fără a pune la loc bila
extrasă şi se cere probabilitatea ca din cele n bile extrase ki să fie de culoarea Ci .
Utilizând tot definiţia clasică a probabilităţii,( bilele se extrag simultan), obţinem
k k ... k
numărul căzurilor posibile Cn n ... n , iar numărul cazurilor favorabile este
1 2 j
1 2 j
k k k
kj
Cn 1 .Cn 2 ...Cn j
k1 k2
Cn .Cn ...Cn , deci probabilitatea cerută este
1 2
k1 k 2 ... k j
j
.
1 2 j
Cn n 2 ... n j
1
f. Schema lui Pascal: Considerăm urna din schema lui Bernoulli din care fac extrageri
(revenite) până la obţinerea primei bile albe. Probabilitatea ca la extragerea k să se obţină
prima bilă albă este pq k 1 . O generalizare a acesteia este “timpul de aşteptare”.
Se consideră un eveniment care are probabilitatea de a se realiza egală cu p.
Efectuăm k probe independente, până când evenimentul se realizează de n ori k n .
n 1 n k n
Probabilitatea corespunzătoare va fi: Ck 1 p q , k n , întrucât în ultima probă
evenimentul are loc.
Observaţie:Repartiţia geometrică : pk pq este ‘generalizată’ de repartiţia binomială
k
negativă: pk C pnqk , k 0 .
k
n k 1
Variabile aleatoare
Noţiunea de variabilă aleatoare este fundamentală în teoria probabilităţilor.
Intuitiv, variabila aleatoare se poate defini ca fiind o funcţie reală definită pe mulţimea
valorilor posibile ale unui experiment.
Fie , K un câmp borelian de evenimente.
Definiţie: X : R se numeste variabila aleatoare dacă şi numai dacă
: X x K , x R
Observaţie: Noţiunea de probabilitate nu intră în definiţia variabilei aleatoare.
Vom utiliza notaţiile: X x K pentru v.a. X
Propoziţie: X : R este o variabilă aleatoare dacă şi numai dacă este adevarată una
din afirmaţiile:
i : X x K , x R
ii : X x K , x R
iii : X x K , x R
Observaţie: X a K şi a X b K , a, b R .
Aplicaţie:La un examen se prezintă trei candidaţi. Variabila aleatoare reprezentând
0 1 2 3
numărul candidaţilor admişi are repartiţia: 2 26 p 9 p
p . Determinaţi
5
probabilitea
fiecărui candidat de a promova examenul.
Solutie:Cum numărul candidaţilor promovaţi reprezintă o partiţie a evenimentului sigur:
2 1
la examen se prezintă trei candidaţi, avem 26 9 1 p 1 p , deci distribuţia
5 60
0 1 2 3
v.a. este X : 2 13 3 1 . Cum P X k , k 0,1,2,3 reprezintă
5 30 20 60
probabilitatea ca k candidaţi să promoveze examenul, conform schemei lui Poisson se
obţine sistemul:
1 p1 1 p2 1 p3 2
5
13
p1 1 p2 1 p3 p2 1 p1 1 p3 p3 1 p2 1 p1
30 , unde p , i 1,2,3
3 i
p1 p2 1 p3 p1 p3 1 p2 p3 p2 1 p1
20
1
p1 p2 p3
60
reprezintă probabilitatea fiecărui candidat de a promova examenul. Utilizând relaţiile lui
1 47
S3 S1
60 60
3 1
Viete, sistemul devine: S 2 3S3 S2 ecuaţia cu soluţiile pi este:
20 5
1 S1 S2 S3 2 S3 1
5 60
60 47 12 1
60 p 3 47 p 2 12 p 1 0 . Aplicând schema lui Horner: 1 60 27 3 0
3
1 9 1
p1 , iar p2 , p3 sunt soluţi pentru: 20 p 2 9 p 1 0 p2,3 , probabilităţiile
3 40
1 1 1
fiind , , .
3 4 5
Operaţii cu variabile aleatoare:
Propoziţie: Dacă X este variabilă aleatoare şi b R , atunci:
1
X b, bX , X , X 2 , , cu X 0 sunt variabile aleatoare
X
Propoziţie: Dacă X şi Y sunt variabile aleatoare, atunci: X Y K , X Y K ,
X Y K
X
Propoziţie: Dacă X şi Y sunt variabile aleatoare, atunci: X Y , X Y , XY , , cu Y 0
Y
sunt variabile aleatoare.
P x 1
X x F x F x P X x P X x
2 X 2 X 1 2 1
P x 1
X x F x F x P X x
2 X 2 X 1 2
Observaţie: P X xi , i 1,2
reprezintă saltul funcţiei de repartiţie FX în punctul xi
, i 1,2 . Dacă FX este continuă, atunci P X xi 0 , i 1,2 .
In funcţie de mulţimea valorilor posibile X ale v.a. X : R avem:
Definiţie: O v.a. X pe câmpul borelian de probabilitate , K , P se numeşte discretă
dacă ia o mulţime cel mult numarabilă de valori :
X xi , xi x j , i, j I N , i j .
i I
creştere ale funcţiei de repartiţie, iar probabilităţile lor se numesc salturi ale funcţiei de
FX x p
repartiţie. Evident, xi x
i .
1 e dacã 0 t 50
2
t
1 1 e 50 1 dacã 50 t 100
FX t 2 2e
1 t 1
1 e 50 2 dacã 100 t 150
2 2e
...
Aceasta este o functie crescǎtoare, continua la dreapta, avand salturi in punctele de forma
7
1 1
t=50k, k N * . Deci: a) P X 70 FX 70 1 e 5 b)
2 2e
P X 110 1 FX 110
1 1 1
11 7 11
1 1
2 e 5 : c) P 70 X 110 FX 110 FX 70 e 5 e 5 2
2e 2 2 e e
1 1
d) P X 100 tlim F t FX 100 1 , iar P X 90 0
100 X 2e e
1
1 5
FX 120 FX 60
e) P X 120 X 60
1 e2
1
1 FX 60 e 1 1
5
e
6
1 1 5
FX 120 FX 60 1 e
f) P X 60 X 120 1 2e 2
FX 120 1 1
12
1 e 5
2e 2
Definiţie: V.a. X se numeşte continuă dacă FX este absolut continuă, adică, dacă există
x
ii) f x dx 1
xi Y y j
X Y y j : , jJ
Mai mult, avem:
P X xi Y y j
iI
cu
P X xi , Y y j p
P X xi Y y j p xi y j
ij
P Y yj pj
Momente iniţiale
Mk X f x
k
Dacă v.a. X are densitate de repartiţie , x ,
există M X .
j 3 j 1
a
1 1 x 1
- densitatea de repartiţie f x , x R , deşi lim dx 0 .
1 x 2 a
a
1 x2
Propoziţie: Proprietăţile mediei
(1). Dacă v.a. X c , atunci M X k c k , k N
(2). Dacă v.a. este omogenă M aX aM X
n n
(3). Dacă v.a. este aditivă M X i M X i
i 1 i 1
X
(4). Dacă v.a. 1 2 , X ,... X n sunt independente (în totalitate), atunci
n n
M X i M X i
i 1 i 1
Momente centrate
Definiţie: Numim moment centrat de ordin k al v.a. X numărul
k X x M X
k
f x dx dacă v.a. X este continuă
j 0 j 0
X MX
Imediat, rezultă D 1
X
Momente mixte
In ipoteza că există M 2 X şi M 2 Y pentru v.a. bidimensională X , Y dăm urmatoarea
definiţie:
Definiţie: Se numeşte covarianţă a variabilelor aleatoare X şi Y momentul mixt
11 M X M X Y M Y =cov(X,Y)
Acest indicator măsoara existenţa legăturii stocastice a v.a. X şi Y.
Din definiţie, rezultă imediat cov X , Y M XY M X M Y , care este o funcţională
biliniară simetrică.
Propoziţie: Proprietăţile covarianţei
(1) cov aX , bY ab cov X , Y , a, b R şi cov X , a 0, a R
(2) cov X X , Y cov X , Y cov X , Y
(3) cov X , Y cov Y , X şi cov X , X D X
Definiţie: V.a. se numesc necorelate dacă cov X , Y 0
Observaţie: Intrucât cov X , Y 0 M XY M X M Y , dacă v.a. X şi Y sunt
independente, atunci ele sunt necorelate. Reciproca, nu este adevărată întotdeauna. Vom
arăta acest lucru în exemplul următor:
Exemplu: Trei bile de culori diferite se pun la întîmplare in trei urne. Notând cu X v.a.
care indica numarul de bile dintr-o urna si cu Y pe cea care reprezinta numarul urnelor
ocupate, arătati ca X si Y sunt necorelate (evident, nu sunt independente).
Propoziţie: Proprietăţile dispersiei
(1). Dacă v.a. X c , atunci D X 0
(2). D aX a 2 D X
(3). D
n
X
n
i D X i , dacă X 1 , X 2 ,... X n sunt independente două câte două.
i 1 i 1
(4) D X Y D X D Y 2 cov X , Y
Legătura dintre medie şi dispersie este data de ineglitatea lui Cebâşev:
Inegalitatea lui Cebâşev: Dacă X este o v.a. pentru care există M X şi D X , atunci,
D X
0 , are loc inegalitatea: P : X M X
2
Observaţie: Cu ajutorul acestei inegalităţi se poate evalua o limita inferioară a
probabilităţii cu care valorile variabilei aleatoare se grupează în jurul valorii medii:
D X
P : X M X 1 2 .
Dacă 3 , atunci: P : M X 3 X X M X 3 X
8
, inegalitate
9
cunoscută sub numele de “regula 3 ”
Corelaţie si regresie
Intensitatea legăturii stocastice a două variabile aleatoare se poate măsura cu
ajutorul unor indicatori numerici, cel mai frecvent întilnit fiind coeficientul de corelaţie.
cov X , Y
Definiţie: Numim coeficient de corelaţie al v.a. X şi Y raportul X ,Y .
XY
Teorema: Pentru orice v.a. X şi Y pentru care D X D Y 0 , au loc proprietăţile:
(1). X ,Y 0 dacă şi numai dacă v.a. X şi Y sunt necorelate.
(2). Dacă X,Y sunt v.a. independente, atunci X ,Y 0 , reciproca nu este adevarată.
(3). X ,Y 1 ; X , X 1 şi X , X 1
(4). X ,Y 1implică o dependenţă liniară între X şi Y.
X MX Y M Y
Considerând variabilele abatere normată X , Y
X Y
M X Y XY 1 . Cum M X Y 0 Y M Y Y
2 X MX
X
x MX y M Y y M Y x MX
Definiţie: Dreptele 1 şi 2 se numesc
x Y Y x
drepte de regresie .
Definiţie: Presupunând că există M 2 X şi M 2 X , dreapta de regresie a v.a. Y în
cov X , Y cov X , Y
raport cu X este: y M Y x M X , iar X Y se numeşte
x x
coeficient de regresie al v.a.Y în raport cu X.
Observaţie: X ,Y X Y Y X
Dacă Z : R 2 , Z X , Y este o v. a. bidimensională, se pot defini momente
iniţiale condiţionate şi dispersii condiţionate
Definiţie: Media condiţionată a v.a.Y stiind că X=x este:
ypY X x in cazul discret
y
M Y X x
yf Y X x y dy in cazul continuu
Observaţie: Media condiţionată M Y X x h x este funcţie de x, şi poartă numele
de curba de regresie, h X M Y X .
Funcţia generatoare de momente
Definiţie: Funcţia generatoare de momente a v. a. X este X t M e dacă
tX
h 0 astfel încât media există şi este finită pentru t h
Teorema: Dacă există h>0 astfel încât X t Y t pentru t h , atunci X=Y.
Teorema: Fie X 1 , X 2 ,..., X n v.a.i. ale căror funcţii generatoare de momente există
n n
pentru t h ,h>0, si S n X k . Atunci S t X t , t h.
n k
k 1 k 1
b) M X n X n 0 , n N
Observaţie: Pentru v.a. care ia doar valori naturale se defineşte funcţia generatoare de
probabilitate : g X t M t t P X n , care este definită cel puţin pentru t 1 .
X n
n0
Teorema: Fie X 1 , X 2 ,..., X n v.a. independente identic repartizate şi N v.a. luând valori
naturale, independentă de X 1 , X 2 ,..., X n . Atunci S n t g N X t
Legi ale numerelor mari
Obiectul legilor numerelor mari este studiul unor legitaţi de apariţie a unor evenimente cu
probabilitatea 0 sau 1 într-un număr foarte mare de probe, ceea ce poate fi formulat în
cadrul unor teoreme de tip lege a numerelor mari într-o formă determinată.
Definiţie: Spunem cǎ şirul X n nN * de v.a. se supune legii slabe a numerelor mari în
raport cu constantele de normare Bn nN * , Bn 0, Bn dacǎ existǎ un şir de constante
n
reale An nN * ( constante de centrare) a. î. Bn1 S n An 0 , unde S n X k .
P
k 1
Observaţie: Dacă convergenţa în probabilitate din definiţia de mai sus este înlocuitǎ cu
convergenţa a.s., şirul X n nN * de v.a. se supune legii tari a numerelor mari.
Teorema lui Cebâşev: Fie X n nN * un şir de v.a.i., cu dispersii finite, uniform
mǎrginite.
Atunci şirul X n nN * se supune legii numerelor mari în varianta lui Cebâşev:
1 n 1 n
lim P X k M X k 1
n
n k 1 n k 1
Teorema lui Bernoulli: Fie numǎrul de apariţii ale unui eveniment având
probabilitatea de realizare p în n probe independente. Atunci, 0 are loc:
lim P p 1
n
n
Teorema lui Poisson: Dacă într-o succesiune de probe independente, probabilitatea de
apariţie a unui eveniment în proba de rang k este pk , atunci:
1 n
lim P pk 1
n
n n k 1
fiind numǎrul de apariţii ale evenimentului în primele n probe.
k 1 k 1 n
Pentru demonstrarea convergenței slabe din concluzia teoremei, vom utiliza funcția
caracteristicǎ (sau cea generatoare de momente) a variabilei Yn : Yn t M e n
itY
k1 X k m
n
it n it
X k m it X k m
X m t Xn m t
n n
M e n M e n M e n
k 1 k 1 k 1 k n k
n
t t 2 t2
Cum pentru n suficient de mare, 1 X k m 1 . Ca urmare a
n n 2 n 2
n 2
t2
t
statisticǎ matematicǎ
Orice cercetare statisticǎ porneşte de la o colectivitate sau populaţie alcǎtuitǎ din
indivizi (elemente sau unităţi statistice) care au o caracteristicǎ generalǎ (v.a. X). Vom
expune în cele ce urmeazǎ problema inferenţei statistice parametrice, adicǎ situaţia în
care, exceptând parametrii, se cunoaşte forma funcţiei de repartiţie a variabilei aleatoare
care descrie populaţia investigatǎ.
Teoria selecţiei
Definiţia 1: Fie X o variabilǎ aleatoare cu funcţia de repartiţie F şi X 1 , X 2 ,..., X n
v.a.i.i.r. cu aceeaşi funcţie de repartiţie F. Atunci mulţimea X 1 , X 2 ,..., X n este o selecţie
de volum n (n observaţii independente asupra lui X).
Definiţia 2: Orice funcţie de datele de selecţie se numeşte statisticǎ: dacǎ X 1 , X 2 ,..., X n
sunt n observaţii independente asupra v.a. X, atunci v.a. f X 1 , X 2 ,..., X n se numeşte
statisticǎ, unde f este o funcţie mǎsurabilǎ nedepinzând de parametrii necunoscuţi.
Definiţia 3: Fie X 1 , X 2 ,..., X n o selecţie de volum n asupra unei funcţii de repartiţie F.
n
Statistica X i
se numeşte medie de selecţie
X i 1
n
Funcţia empirică de repartiţie. Teorema lui Glivenko
, k 1,2,..., n 1 .
Atunci n Fn* x este numǎrul variabilelor X k cel mult egale cu x . Fn* x se numeşte
funcţia empiricǎ de repartiţie. Pentru x R arbitrar fixat, Fn* x este variabilǎ aleatoare.
Teorema lui Glivenko-Cantelli: Funcţia empiricǎ de repartiţie Fn* x converge uniform
la F x , adicǎ,
sup F * x F x 0
pentru 0, nlim
n
xR
.
Exemplu: Calitatea unor aparate este apreciată după numărul de puneri în funcţiune până
la prima defectare. S-au analizat 100 de aparate , obţinându-se rezultatele:
xi porniri 1 3 6 8 10
ni aparat 15 20 30 10 25
e
Calculaţi valoarea funcţiei empirice de repartiţie în punctul x=7. 1≤x<3
1 3 6 8 10
Soluţie: X : 15 20 30 10 25 F100 7 0,65 ;
* *
100 100 100 100 100
*
F100 xi P X xi P X 7 P X 1 P X 3 P X 6 0.15 0.20 0.30 0.65
0 x1
0,15 1 x 3
0,35 3 x 6
*
F100 x
0,65 6 x8
0,75 8 x 10
1 x 10
Momente de selecţie
D mk M 2 mk M mk M X i M X i 2 M X i2 k
* * 2 *
n i 1 n i 1 n i 1
2
2
n i j
M X i
k
M X k
j
1 n
2
n i 1
M 2
X i
k
2
2
n i j
M X i
k
M X k
j
1 n
2
n i 1
M 2 X ik M 2 X ik
Aplicând inegalitatea lui Cebaşev, obţinem:
P mk* M k X 1 M X M X lim P m
2k
2
k *
k
M k X 1 , ceea ce ne
n 2 n
P
conduce la, mk M k X fapt care justifica înlocuirea în aplicaţii a momentelor
*
n
n i 1 n i 1
Ca şi în cazul momentelor teoretice, momentele centrate de selecţie pot fi
exprimate cu ajutorul momentelor obişnuite de selecţie (şi invers):
1 n l l
1 n l
k* 1 Cl j X il j X j 1 Cl j X j X ii j 1 Cl j X j ml* j
j j j
n i 1 j 0 j 0 n i 1 j 0
Exemplu: Calculaţi media şi dispersia de selecţie din exemplul dat.
5 5
ni xi 1 15 3 20 6 30 8 10 10 25 n x x
i i
x i 1
5
5,85 , iar 2* i 1
5
100
ni
i 1
n
i 1
i
1
1
2X x x
FY x P Y x P x P X FX
2 2
1
1 1
1 x x 1 2
x
fY x e , x 0 Y t exp 2 t 1 2it
1
fX
2 2 2 2
S t 1 2it n S 22n . Evident, la aceeaşi concluzie se ajunge calculând
1
1 1
1
FX x P X x P X x FX x f x 1 x f X x
1
X exp
X
1
x t y
x
1
2
G X t M e tX e tx e dx 1 t 1 GY t G X t Gexp( 2) t
0
GXi t e
mt
t 2 2
2 , avem succesiv: G X t M e tX n
M e i
M
n tXn i
e
i 1
tm t 2 2 t 2 2
n
t n mt
GX i e n 2 n e .
2
2n
i 1 n i
X m
Z
Corolar: Variabila abatere normatǎ este repartizata normal N 0,1 .
n
X m
tm n tX n
Demonstraţie: Într-adevǎr
G Z t M e tZ M e t n M e
e
2 2
tm n t n 2
tm n
t n
tm n
t
e
G X e e 2 2 n e 2 .
Teorema 4: Daca X 1 , X 2 ,..., X n este o selecţie de volum n dintr-o populaţie normalǎ
N m, , atunci X şi S 2 sunt variabile aleatoare independente.
Demonstraţie: vom calcula funcţia generatoare de momente pentru X şi vectorul
X 1 X , X 2 X ,... X n X , rezultatul devenind evident cu ajutorul urmǎtoarei
caracterizǎri a independenţei: X , Y v.a.i. G t1 , t 2 G t1 ,0 G 0, t 2 , t1 , t 2 .
n
Astfel , notând t i
, avem succesiv:
t i 1
n
n n
i 1 t i X i
t i t X
tX t1 X X 1 t 2 X X 2 ... t n X X n
G t , t1 , t 2 ,..., t n M e
M e i 1
X i ti t1 t2 ...t n t
n
n X i ntin nt t n X i t nn ti t
M e i 1
n
M e M e
i 1 i 1
n
m t n t i t 2 m n
exp 2 t n t i t exp nt n t i t
i 1 n 2n n i 1
2 n 2 2 2 2 n
2 n
nt 2
n 2 ti t mt t ti t
2
nt n t i t e mt e 2 n
2
exp 2 i 1
e 2n
e 2 i 1
2n i 1
G X t G X 1 X , X 2 X ,...X n X t1 , t 2 ,...,t n G t ,0,0,...,0 G 0, t1 , t 2 ,...,t n
2
n * n
Xk m
Demonstraţie: Într-adevǎr este sumǎ de n pǎtrate de v.a.i. N 0,1
2
k 1
Teorema 5: Dacă X 1 , X 2 ,..., X n este o selecţie de volum n dintr-o populaţie normală
N m, , atunci
nS 2
n 1 s 2 2
n 1
2
2
2
X X X k m X m X k m
n n m
2 2
Demonstraţie: Cum k
k 1 k 1 k 1
m
2 2
m
2
2
2
2 X m X k m n X m X k m n X m nS2 n 12 s =
k 1 k 1
2
2
n
Xk m X m
2 ca diferenţǎ de variabile independente 2 .
k 1 n 1
n
Exemple : i. Punctajul obţinut la un examen poate fi presupus normal distribuit cu media
200 şi abaterea medie pǎtraticǎ 20. Un punctaj de cel puţin 230 permite promovarea sa.
Care este probabilitatea ca 4 candidaţi oarecare sǎ treacǎ examenul?
Determinaţi probabilitǎţiile : P X 210 şi P 185 s 2 415 .
xm
Soluţie: Pentru X N m, , funcţia de repartiţie este P X x FZ . Atunci,
4
4
230 200
P X 1 230, X 2 230, X 3 230, X 4 230 P X i 230 1 FZ
i 1 20
1 FZ 1,5 1 0,9332 0,0664 2 10 5 . Cum, conform teoremelor 3, respectiv
4 4
5 X N m,
n
1 FZ 1 0,1586, n 1 s 32
2
210 200
P X 210 1 FZ
20 2
4
n 1 smin n 1 smax n 1 smax n 1 smax
2 2 2 2
2
P smin s 2 smax
2
P U
P
U
P
U
2
2
2
2
3 184 3 416
P 184 s 2 416 P U PU 3,12 PU 1,38 0,71 0,37 0,34
400 400
ii. Determinaţi numerele reale a, b pentru o selecţie de volum 15 dintr-o populaţie
normalǎ N m, , pentru care P * a P S 2 b 0,95 .
n *
Soluţie: Conform propoziţiei 2 , 2 n2
n * n * na
152 P * a P 2 2 0,95 , a 02, 95;15 25 .
2
nS 2 n 1 s 2 nS 2
În baza teoremei 5, 2
n 1 142 , deci
2 2 2
nS 2 nb
P S 2 b P 2 2 0,95 b 02,95;14 23,7
X m
Propoziţia 3. 1. s are o lege de repartiţie Student cu n-1 grade de libertate.
n
2. Dispunând de două colectivitaţi, C1 , C2 ,
caracterizate de v.a.i. X 1 N m1 , 12 ,
n1 : X 11 , X 12,..., X 1n1
respectiv X 2 N m2 , 2 , pe baza unor selecţii de volume:
2
se
n2 : X 21 , X 22,..., X 2 n2
obţin mediile de selecţie X i şi dispersiile de selecţie corectate
1 ni
si
2
2
X ij X i , i 1,2 .
ni 1 j 1
X 1 X 2 m1 m2
12 22 N 0,1
X
Atunci, au loc :i). 1 X N m m , 12 22
2
1 2
n n2
1
n1 n2
s12 22
ii). s1 2 s2 1 Fn1 1,n2 1
s22 12
i2 2
n1 1 s12 n2 1 s22 2
X 1 X 2 m1 m2 n1n2
t n1 n2 2
n1 1 s n2 1 s
n1 n2 2
iii). 2 2
1
2
2
n1 n2
n1 n2 2
statistici pe care le vom utiliza în costruirea intervalelor de încredere.
Demonstraţie: 1. Prin definiţie, variabila Student cu n grade de libertate este raportul
Z
T
U , unde Z N 0,1 , U n sunt variabile aleatoare independente. Densitatea
2
n
u
de repartiţie a acesteia este f t f t , u du , unde fT ,U t , u f Z t fU u J , cu
0 n
u
t
D z, u u n
J jacobianul transformǎrii: J . Astfel, pentru t R, u 0
D t , u n u
0 1
n 1
u t2 t2 2
n 1 1
2
1
n
u 2 e
n
f t, u n f t
,t R .
n 2 1 n
2n 2 n ,
2 2 2
X m
Cum
Z
n 1 s 2
, iar 2
n 1 , concluzia devine evidentǎ.
n 2
2 2
t
i mi t i
2.i). Conform teoremei 3 , X i N mi , G X i t e 2 ni , i 1,2 , deci
ni
2
2 2
2
t 2 i2 t 2 22 m1 m 2 t t 2 2 2
1
mi t m2t 2 n1 n 2
GX i X 2 t e 2 ni
e 2 n2
e
X 1 X 2 N m1 m2 , 1 2 ii).
n1 n2
U /n
Prin definiţie, variabila Fisher-Snedecor Fn , n 1 1 , unde U i n2 , i 1,2 sunt
1 2
U 2 / n2 i
n1 n1
n1 u x
variabile independente. Analog puctului 1, U1 X U 2 , J n2 2 n2 , deci
n2
0 1
n1
u2 n1
n1 2 n1
1 n1 n 2 1 x
x 2 u2 2 1 e 2 n 2
n n1 n
f X ,U 2 x, u2 fU 1 1 x, u2 fU 2 u2 u2 2
n1 n 2
, x, u 2 0
n2 n2 n1 n2
2 2
2 2
n1 n1
n1 2 n21 1 n1 2
x u n n n
1 2
n n1 n 2 2 1 1 x n n1
n
f X x n1 n2 2 e 2 dx 2
1 2
u2 2
1 2
x 2 1 1 x
n
,x 0
n n n n n
2 2 1 2 0 ,
1 2 2
2 2 2 2
n1 1 s12 / n
1 1
ni 1 si2 2 12 s12 22
Conform teoremei 5, ni 1 , i 1,2 F .
i2 n2 1 s22 / n 1 s22 12 n1 1,n2 1
22 2
Condiţia din ipotezǎ este necesarǎ întrucât în aplicaţiile practice trebuie sǎ se ţinǎ cont de
faptul cǎ tabelele pentru repatiţia Fisher-Snedecor sunt date pentru valori ale variabilei
Fn1 ,n 2 supraunitare , inversiunea gradelor de libertate fiind echivalentǎ cu
1
Fn1 , n2
Fn2 , n1 .
X 11 , X 12,..., X 1n1 N m1 , 12
ni 1 si2
n2i 1
iii). Conform teoremei V, dacǎ
X 21 , X 22,..., X 2 n2 N m2 , 2
2
i2
n 1
G n 1 s 2 t 1 2t , i 1,2
i
2
n1 1 s12 n2 1 s22
n2i n2 2 . Pentru i2 2
i
2
i
1 2
22
i
Z X 1 X 2 N m1 m2 ,
1 1 n 1 s12 n2 1 s22 2
, iar U 1
n1 n2 ni n 2 2
2
Z
T tn1 n2 2
U
n1 n2 2
Exemple: i). Douǎ selecţii independente de volume 16 respectiv 25 sunt extrase din
populaţii normale N 25,8 respectiv N 16,10 . Aflaţi probabilitatea ca media primei
selecţii sǎ fie mai mare cu cel puţin 10 unitǎţi decât media celeilalte selecţii extrase.
Soluţie: Conform teoremei 3, avem
X N m, X 1 N m1 , 1 X 1 N 25,2 şi X 2 N m1 , 2
n n1 n2
X 2 N 16,2 , deci X 1 X 2 N m1 m2 , N 9,2 ,
P X 1 X 2 10 P X 1 X 2 m1 m2 10 m1 m2
X 1 X 2 m1 m2 10 m1 m2 10 m1 m2
P P Z
12 22 12 22 12 22
n1 n2 n1 n2
n1 n2
10 25 16 1 1
P Z P Z 1 FZ 1 FZ 0,35 1 0,636831 0,363169
64 100 2 2 2 2
16 25
ii). Douǎ selecţii independente din douǎ populaţii normale având dispersii egale au
condus la rezultatele:
x1j 2 4 7 8 10.5 x2j 3 4 6 9
n1j 5 2 7 2 1 n2j 2 4 3 1
În ipoteza cǎ variabilele corespunzǎtoare celor douǎ populaţii sunt independente,
sǎ se afle probabilitatea ca diferenţa în valoare absolutǎ a mediilor celor douǎ selecţii sǎ
fie mai mare ca 2,5.
Soluţie: Din rezultatele date pentru prima selecţie se obţine :
x1i n 1i x1i n1i x1i x1 x1i x1 2 n1i x1i x1
2
x 1i n1i
93,5 n x x1
2
119
x1 i 1
5
5,5 , s12 1i 1i
7,4375
17 n1 1 16
n
i 1
1i
x 2i n2i
49 n x x2
2
30,9
x2 i 1
4
4,9 , s22 2i 2i
3,4333 .Propoziția3.2iii
10 n2 1 9
n
i 1
2i
X 1 N m1 , X 1 X 2 m1 m2 n1n2 n1 1 s12 n2 1 s22
tn1 n 2 2 cu 2,4486
X 2 N m2 , n1 1 s12 n2 1 s22 n1 n2 n1 n2 2
n1 n2 2
Probabilitatea cerutǎ este
p P X 1 X 2 2,5 1 P 2,5 X 1 X 2 2,5 1
2,5 0,6 n1n2 2,5 0,6 n1n2
P T
n1 1 s 2
1 n2 1 s 2
2
n1 n2 n1 1 s12 n2 1 s22 n1 n2
n1 n2 2 n1 n2 2
1,9 170 1,9 170
1 P T 1 P 1,945 T 1,945
2,45 27 2,45 27
2
nS 2
M S2
n 1 2
, iar M s 2 2 . Din D n2 2n D 2 2 n 1 ,deci
n
2 n 1 4 n 1 s 2 2 4
D S2 , iar D
2 n 1 D s 2
.
n 1
2
n2
Pentru parametrul pot exista mai multe estimaţii deplasate şi atunci este
natural să o preferăm pe cea care are dispersia minimă, întrucât valorile statisticii
Tn X 1 , X 2 ,..., X n se vor grupa mai bine în jurul valorii . Teorema minimului
dispersiei, pe care o vom enunţa fǎrǎ demonstraţie, este cunoscută ca teorema Rao-
Cramer:
Teorema 6 (teorema Rao-Cramer): Dacă Tn X 1 , X 2 ,..., X n este o estimaţie absolut
corectă pentru parametrul din funcţia de repartiţie dată de f x a v.a. X (discretă sau
1
continuă), atunci: D Tn X 1 , X 2 ,..., X n
, unde I , numită informaţie Fisher,
I
ln f X ; 2
este cantitatea de informaţie pe o observaţie şi are expresia: I M .
Observaţie: Această inegalitate exprimă o limita inferioară de variaţie a estimatorilor
unui parametru, stabilind că limita variaţiei oricărui estimator nedeplasat este cel puţin la
fel de mare ca inversul informaţiei Fisher. Un estimator deplasat care atinge această
limită inferioară se spune că este (complet) eficient.
2 ln f X ;
Propozitia 4 : O formǎ echivalentǎ a informaţiei Fisher este I M .
2
Demonstraţie: Într-adevǎr, din
f x; 2 f x;
f x; dx 1 dx 0 2 dx 0 . Însă
f x; f x; f x;
2
2
ln f X ; ln f x; ln f x; 2 ln f X ;
2 2
Observaţie: este evident că 0 e Tn X 1 , X 2 ,..., X n 1 .
Definiţia 12: Spunem ca estimaţia Tn X 1 , X 2 ,..., X n este eficientă dacă:
D Tn X 1 , X 2 ,..., X n
1
n I
e Tn X 1 , X 2 ,..., X n 1
Metode de estimare punctuală a parametrilor unei repartiţii
Metoda momentelor
Momentele de selecţie de ordinul k fiind estimaţii absolut corecte ale momentelor
teoretice de acelaşi ordin M mk M k X , D mk*
1
*
M 2 k X M k2 X
n
D mk n 0 , este natural ca pentru n suficient de mare, să luăm în locul momentului
*
1 n
m*j X i j şi presupunând că sistemul admite soluţii reale, se obţin estimaţiile
n i1
parametrilor 1 , 2 ,..., k prin metoda momentelor ˆ j ˆ j m1* , m2* ,..., mk* ; 1 j k .
Definiţia 13: Metoda momentelor constǎ în estimarea lui R k cu ajutorul statisticii
n n n
X i X i2 X ik
T X 1 , X 2 ,..., X n h i 1 i 1 i 1
.
, ,....,
n n n
Exemple 1. Estimaţi parametrii repartiţiei beta cu ajutorul lui X şi S 2 .
1
x 1 x
a b 1
1 dx
X B a, b f x x a 1 1 x , x 0,1 . Deci:
b 1
B a, b MX 0
B a, b
1
B a 1, b x 1 x
a 1 b 1
a dx
MX , iar B a 2, b
B a, b ab M2 X 0
B a, b B a, b
a a 1
2
a a a 1 a ab
D X
a b 1 a b a b a b a b 1 a b a b 2 a b 1
a
X
ˆ a b
Estimaţiile aˆ , b se obţin rezolvând sistemul de ecuaţii: ab
S 2
a b 2 a b 1
X 2 1 X
a a b X aˆ X
X 1 X .
X 1 X
2
S bˆ 1 X 1
a b
S 2
1
bˆ X 1 X
1 X
X 2
1
X
S
2 S 2
S
x3
2. Estimaţi parametrul repartiţiei date prin F x 1 e , x 0 .
x3
2 x3 x3 t k
Cum f x 3 x e
3 k 2 k
k
, x 0 Mk X t 3 e dt 3 1 mk
0
t
x e
dx *
0 3
3
3m *
~
ˆ k k
k
, care , pentru k=3, devine: m3* .
k
3
Metoda verosimilităţii maxime
Metoda verosimilităţii maxime elaboratǎ de Fisher prezintă avantajul unui plus
de eficienţǎ. Principiul verosimilităţii maxime presupune cǎ selecţia este reprezentativǎ
pentru populaţie şi alege ca estimator valoarea parametrului care maximizeazǎ funcţia sau
densitatea de probabilitate.
Definiţia 14: Fie R k parametru şi X 1 , X 2 ,..., X n un vector aleator cu funcţia sau
densitatea de probabilitate f x1 , x2 ,..., xn ; . Funcţia
L x1 , x2 ,..., xn ; f x1 , x2 ,..., xn ; , privitǎ ca funcţie de parametru se numeşte
funcţie de verosimilitate. De obicei, X 1 ,..., X n
n
sunt v.a.i.i.r., funcţie de verosimilitate fiind L x1 , x2 ,..., xn ; f xi ; .
i 1
Definiţia 15: Principiul verosimilităţii maxime constǎ în alegerea ca estimator pentru a
lui ˆ X care maximizeazǎ funcţia de verosimilitate L x1 , x2 ,..., xn ; , adicǎ
determinarea unei aplicaţii ˆ : R n R k care satisface
L x1 , x2 ,..., xn ;ˆ sup L x1 , x2 ,..., xn ; .
R k
ii). Dincolo de estimarea parametrilor, cadrul verosimilităţii ne permite să facem teste ale
valorile parametrilor De exemplu, să găsim valorile parametrilor care fac datele observate
cele mai probabile. Considerând experimentul aruncării cu banul, să găsim valorile
parametrilor care fac datele observate cele mai probabile, adică, în loc să presupunem că
p are o anumită valoare (1/2), să găsim estimarea verosimilităţii maxime a lui p, având în
vedere un set de date specificate. Am putea să ne întrebăm dacă un p estimat diferă în
mod semnificativ de valoarea 0,5 sau nu. Vom vedea cum aceste teste pot fi efectuate
atunci când vom introduce conceptul de test al raportului de verosimilităţi.
Să spunem că aruncăm o monedă de 100 de ori şi obţinem 56 de feţe ban şi 44
feţe stemă. În loc să presupunem că p este de 0,5, vrem să găsim estimatorul de maximă
verosimilitate pentru p. Atunci ne-am întreba dacă această valoare nu diferă în mod
semnificativ de 0,50.
Cum facem acest lucru? Am găsi o valoare pentru p care face datele observate
cele mai probabile.
Aşa cum am menţionat, datele observate sunt acum stabilite. Ele vor fi constante,
care sunt conectate în modelul nostru de probabilitate binomială:
• n = 100 (numărul total de aruncări)
• k = 56 (numărul total de capete)
Imaginaţi-vă că p a fost de 0.5. Introducem această valoare în modelul nostru de
probabilitate, după cum urmează:
L p 0.5 | data C100 0.556 1 0.5
44
56
0.0389
Dar dacă p ar fi fost 0.52?
L p 0.52 | data C100 0.5256 1 0.52
44
56
0.0581
Deci, din aceasta, putem concluziona că p este mult mai probabil să fie 0.5 decât
0.52. Putem tabela valorile verosimilităţii pentru diferite valori ale parametrului pentru a
găsi estimarea verosimilităţii maxime a lui p:
p L
0.48 0.0222
0.50 0.0389
0.52 0.0581
0.54 0.0739
0.56 0.0801
0.58 0.0738
0.60 0.0576
0.62 0.0378
Dacă vom trasa graficul acestor date în întreaga gamă de valori posibile pentru p
vom obţine suprafaţa de verosimilitate de mai jos.
1i n
1
2
1i n 1 i n
0 1 , T X 1 , X 2 ,..., X n max X i 1 min X i max X i este în interval. În
1 min X i max X i
particular, pentru , T1 X 1 , X 2 ,..., X n este un estimator de
2 2 2
verosimilitate maximǎ al parametrului .
Este convenabil sǎ se lucreze cu funcţia de verosimilitate
ln L x1 , x2 ,..., xn ;ˆ sup L x1 , x2 ,..., xn ; deoarece dacǎ existǎ supremumul ˆ , el
R k
satisface
ecuaţiile de verosimilitate
ln L x1 , x2 ,..., xn ;ˆ 0 , j 1,2,..., k , 1 , 2 ,..., k
j
.
Exemplu:i). Se testează durata de funcţionare a unui aparat. Aparatul este testat în condiţii
grele pentru a accelera defectarea lui. Timpul până la defectare este distribuit exponenţial.
Sunt selectate aleator opt unităţi şi testate, rezultând timpii până la eşec în ore următori:
11.96, 5.03, 67.40, 16.07, 31.50, 7.73, 11.10, 22.38. Aici X este exponential distribuit
avand parametrul λ. Care este estimatorul de verosimilitate maximă al lui λ?
ln L x1 , x2 ,..., xn ; n ln
1
x n
i 1 i
L
18 -32.7435
19 -32.6697
20 -32.6244
21 -32.6024
22 -32.5997
23 -32.6131
24 -32.6398
25 -32.6778
n
n=8, i 1
xi 173,17 , x 21,65
2 xk m xk m 0
m k 1
2
k 1
este un
ln L x , x ,..., x ; m, n 1 n
3 xk m n 1 n 2
1 2
n
k 1 xk m 0
2 k 1
punct de maxim local al funcţia de verosimilitate este suficient de arǎtat cǎ hessianul este
negativ definit.
2 ln L x1 , x2 ,..., xn ; m, n
Cum 2 0
m 2
ln L x1 , x2 ,..., xn ; m,
2 2
n 3 n
2 4 xk m
2 k 1
2 ln L x1 , x2 ,..., xn ; m, n 2
2
iar
m
3
x
k 1
k m 0 , avem
2 ln L 2 ln L n
2 0 2n
4 , deci X , S este e.v.m.
2 m
2
m ˆ 2
ln L 2 ln L n 3n 2 ˆ
0 ˆ
m 2 ˆ 2 ˆ 4
x3
iii). Estimaţi parametrul repartiţiei date prin F x 1 e , x 0 .
Funcţia de verosimilitate este:
1 n 3
3x 2 k
n
3
X3 n n xk
ln L x1 , x2 ,..., xn ; ln k e ln X
k 1
2
e , adicǎ
k 1
k
k 1
1 n 3 ln L ; x1 , x2 ,..., xn n 1 n
ln L x1 , x2 ,..., xn ; n ln
xk ... 2 x 3
k ,
k 1 k 1
~
Deci soluţia ecuaţiei de verosimilitate este m3 .
*
n
2 xk3
ln L x1 , x2 ,..., xn ;
2
1 n k 1 0 m*
Cum 3 este e.v.m.
2 ~
m
* 2
3
m3*
L
Observaţie: Pot apare diverse probleme: adesea, ecuaţia de verosimilitate 0 are
mai mult de o rǎdǎcinǎ, sau funcţia de verosimilitate nu este diferenţiabilǎ, sau ˆ este
valoare extremǎ. Uneori, ecuaţia de verosimilitate poate fi complicatǎ şi dificil de
rezolvat explicit, caz în care trebuie aplicate proceduri numerice pentru obţinerea e.v.m.
Notând Yk , k 1,2,..., n M Yk M dx 0
ln f X k ; ln f X k ; ln f X k ;
şi presupunând că M 2 D M 2 . Cum
n
ln L n
ln f xk ;
ln L x1 , x2 ,..., xn ; ln f xk ; rezultǎ, conform
k 1 k 1
teoremei limită centrală şirului de v.a.i.i.r. Yk k N *
ln L ln L n ln f X k ; n ln f X k ; n
M M Yk
k 1 k 1
k 1
s
Z.
ln L D
ln f X ; nI
D
k
Observaţie: Estimatorul de verosimilitate maximă (e.v.m.) ~ este asimptotic eficient,
pentru n mare (n>50), repartiţia fiind aproximativ normală, cu M , D
~ ~ 1
,
nI
1 ln L x1 , x2 ,..., xn ;
iar N 0,1 . Dacă parametrul admite o estimaţie
nI
eficientă, atunci aceasta se obţine în mod unic rezolvând ecuaţia de verosimilitate.
Intervale de încredere
Pânǎ acum am lucrat cu funcţii de variabile aleatoare ca bazǎ a cantitǎţii
bX
observabile. Fiind date a, b R şi v.a. X , P a X b P X b , iar dacǎ se
a
cunoaşte funcţia de repartiţie a v.a., se poate determina P a X b .Fie intervalul ale
bX bx
cǎrui capete sunt funcţii de X , I X X , , deci x, când X ia valoarea x,
a a
cu alte cuvinte, I X ia valoarea I x ori de câte ori, X ia valoarea x. Astfel, I X
este o « cantitate » aleatoare, în cazul de faţǎ un interval care conţine numǎrul b cu o
1
probabilitate datǎ, fixatǎ. Dacǎ, de exemplu, a , b 1 , X U 0,1 , intervalul
2
X ,2 X include cu probabilitate 0,5 punctul 1.
În multe probleme de inferenţǎ statisticǎ, ne intereseazǎ construcţia unei familii de
mulţimi care sǎ conţinǎ valoarea (necunoscutǎ) a parametrului adevǎrat cu o probabilitate
(mare) datǎ. Putem construi un interval de încredere pentru parametrul dacă pe baza
unei selecţii de volum n se pot determina două funcţii de selecţie 1 X 1 , X 2 ,..., X n şi
2 X 1 , X 2 ,..., X n cu probabilitatea confidenţială dată de expresia
P1 X 1 , X 2 ,..., X n 2 X 1 , X 2 ,..., X n .
Capetele intervalului depind de variabilele aleatoare independente identic
repartizate 1 X 1 , X 2 ,..., X n , 2 X 1 , X 2 ,..., X n . Intervalul acoperă parametrul cu o
probabilitate cât mai apropiată de unu, ceea ce înseamnă că inegalitatea 1 , 2
este îndeplinită în majoritatea cazurilor. Cu cât lungimea acestui interval este mai mică şi
este mai apropiat de 1, cu atât vom avea o indicaţie mai precisă asupra valorii lui .
Nivelul de încredere şi precizia erorii: Mărimea unui interval de încredere este o măsură
a preciziei de estimare.
Eroarea în estimarea m cu x
Un caz utilizat frecvent pentru determinarea unui interval de încredere este cel în
care există o funcţie de datele de selecţie şi de parametrul , U X 1 , X 2 ,..., X n , ,
astfel încât: 1. U X 1 , X 2 ,..., X n , este continuă şi strict monotonă în raport cu .
2. Funcţia de repartiţie a v.a. U X 1 , X 2 ,..., X n , nu depinde de sau de alţi
parametrii necunoscuţi.
Intervale de încredere pentru parametrii repartiţiei normale N m,
Vom aplica, în continuare, cele expuse anterior în cazul selecţiilor normale de
dimensiuni reduse
Intervalul de încredere pentru parametrul m, când este cunoscut
Teorema 8: Dacǎ X 1 , X 2 ,..., X n sunt n observaţii independente asupra caracteristicii
X N m, , cu cunoscut, atunci intervalul de încredere pentru parametrul m este
x z ,x z .
n 1 2 n 1 2
Demonstraţie: Conform corolarului teoremei III, funcţia de selecţie (statistica)
X m
U X 1 , X 2 ,..., X n , N 0,1
U X 1 , X 2 ,..., X n , are funcţia de repartiţie
n
independentă de parametrul m este continuă şi descrescătoare ca funcţie de m, deci se pot
determina , pentru 0,1 ,apropiat de 1, numerele z1 , z2 a.î.
z x2
X m 1 2
P z1 n z 2 e 2 dz FZ z 2 FZ z1 . Cum evenimentul
2 z1
X m
z1 n z2 este echivalent cu X z2 m X z1 , urmeazǎ cǎ
n n
P x z2 m x z1 determinǎ intervalul x z2 n , x z1 n care,
n n
cu probabilitatea , acoperǎ parametrul m, însǎ condiţia ca lungimea intervalului
L z1 , z2 să fie minimă impune determinarea minimului funcţiei L z1 , z2 z2 z1
n
cu legǎtura
z x2
1 2
e 2 dz . Aplicând metoda multiplicatorilor lui Lagrange,se determinǎ
2 z1
minimul
1 z2 x
2
H H
funcţiei H z1 , z2 , z2 z1 e dz . Dar
2 0
z1 z2
n 2 z1
21
z2
e 0 z12 z 22
n 2 2 2
z 22
e 2 e 2 z12 z22 z1 z2 ; z2 z Prin
2
e 0
n n
n 2
urmare, intervalul de încredere devine x z , x z , cu z determinat de
n n
1 11
relaţia FZ z FZ z 2 FZ z 1 sau FZ z 1 , deci
2 2 2
la nivelul de semnificaţie 1 dat, intervalul de încredere este
x z ,x z .
n 1 2 n 1 2
Exemplu: Pe baza unei selecţii de volum 64 extrasǎ dintr-o populaţie N m, s-a
construit un interval de încredere pentru m la un coeficient de încredere 1 0,95 de
forma a, a 4,9 .
a). Sǎ se determine dispersia populaţiei normale din care s-a extras selecţia.
b). Presupunând cǎ 18 , pentru acelaşi coeficient de încredere, care este volumul
(minim al) selecţiei ce asigurǎ o lungime a intervalului de încredere de cel mult 3 unitǎţi?
Soluţie: a). Cum x z mx z , lungimea intervalului de încredere este
n 1 2 n 1 2
d n 4 4,9
d 2z
2 z , de unde 2 z0,975 8 4,9 1,96 10 ;
1
2 n
1
2
2
2 18
3 n 12 1,96 n 554
2
b). l 2 z 3 n z 2 1,96
1
2 n 3 1
2
n
Intervalul de încredere pentru m1 m2 când 1 , 2 sunt cunoscute:
Teorema 9: Dispunând de două colectivităti caracterizate de v.a.i X 1 N m1 , 1 şi
X 2 N m2 , 2 , cu dispersiile cunoscute,pe baza unor selecţii de volume
n1 : X 11 , X 12,..., X 1n , respectiv n2 : X 21 , X 22,..., X 2 n , intervalul de încredere pentru
1 2
12 22 2 2
diferenţa mediilor m1 m2 este X 1 X 2 z , X1 X 2 z 1 2
1
2
n1 n2 1
2
n1 n2
Demonstraţie: Conform propoziţiei 2i) din capitolul anterior, statistica
X X 2 m1 m2
U X 11 ,..., X 1n1 , X 21,..., X 2n 2 ; m1 m2 1 N 0,1
12 22
n1 n2
12 22 12 22
I m1 m2 X 1 X 2 z , X1 X 2 z ,
1
2
n1 n2 1
2
n1 n2
demonstraţia fiind analoagǎ celei date teoremei precedente.
Intervalul de încredere pentru 2
Teorema10: Dacǎ X 1 , X 2 ,..., X n este o selecţie asupra unei populaţii N m, , atunci
n 1 s 2 n 1 s 2
intervalul de încredere pentru dispersia acestei populaţii este 2 , .
n 1,1 2
n 1,
2 2
2
fiind continuǎ şi strict descrescǎtoare în raport cu 2 , îndeplineşte condiţiile pentru a
putea construi un interval de încredere pentru 2 : pentru probabilitatea confidenţialǎ
2 n 1 s 2
1 , se pot determina numerele 12 , 22 a.î. P 1 22
2
n 1 s 2 n 1 s 2
P
2
( evenimentele fiind echivalente). Aplicând regula
2
2
2 2
12 2
2
cozilor egale: P 1 P 2 2
2 2 2
2
2
n 1,
2
, deci intervalul dat. Aplicaţie:
2 n 1,1
2
Determinaţi un interval de încredere pentru parametrul al populaţiei caracterizată de
x
FX x 1 e , x 0 pe baza unei selecţii de volum n .
2n * 2 n
Soluţie: Am arătat în primul capitol cǎ S m X k 22n . Aşadar, se poate
k 1
determina pe baza acestei statistici, un interval de încredere pentru parametrul . Acesta
este o funcţie continuǎ şi strict descrescǎtoare de , a cǎrei funcţie de repartiţie este
2n
2
, independentǎ de . Deci P 2 n; S 2 n;1 ceea ce este echivalent cu
2 2
2 2
n n
n n
2 X k 2 X k k Xk
2 X
2
P k 21 k 21 1 . Prin urmare, k 1 , k 21 este un interval de
2
2 n;1 2 2 n;
2 2 n;1 2
2n;
2
încredere cu probabilitate confidenţialǎ pentru parametrul .
2
Intervalul de încredere pentru 12
2
Teorema 11. Dispunând de două colectivităti caracterizate de v.a.i X 1 N m1 , 1 şi
X 2 N m2 , 2 , pe baza unor selecţii de volume n1 : X 11 , X 12,..., X 1n , respectiv
1
s12 s12
2 n 1, n 1,1 2 Fn 1, n 1, .
F ,
s1 2 1
2
s1 2 1
2
s12 22
Demonstraţie: Fn1 1, n2 1 (conform propoziţiei 3.2ii) este funcţie continuǎ şi
s22 12
2
strict crecǎtoare de 2 iar funcţia ei de repartiţie este independentǎ de 1 , 2 . Rezultă
1
că pentru 1 dat, se pot determina douǎ numere, F 1 şi F 2 astfel încât
1
P F Fn1 1, n2 1 F 2
1 . Aplicând regula cozilor egale, ca mai sus, se obţine :
P
Fn1 1, n 2 1; Fn1 1, n 2 1 Fn1 1, n 2 1;1
1
.
2 2
s12 22
Deoarece evenimentul F 2 F este echivalent cu
n
1 1, n 2 1;
2
s2 1
2
n1 1, n 2 1;1
2
s 2 s1
2
1
2
s2 2 s2
evenimentul , intervalul de încredere pentru
Fn1 1, n 2 1;1 1 F
n1 1, n 2 1;
2 2
2 2
s1 1 s1 1
raportul dispersiilor este , şi deoarece
s F s2 F
2 n1 1, n 2 1;1
2
n1 1, n 2 1;
2
1
Fn1 ,n2
Fn2 , n1
(lucru precizat de propoziţia 3.2ii)), acest interval se scrie sub forma
s12 s12
2 n 1,n 1,1 2 Fn 1,n 1, .
F ,
s1 2 1
2 s1
2 1
2
Intervalul de încredere pentru parametrul m, când este necunoscut
Teorema 12: Dacǎ X 1 , X 2 ,..., X n sunt n observaţii independente asupra caracteristicii
X N m, , cu necunoscut, atunci intervalul de încredere pentru parametrul m este
X t ,X t .
n 1 2 , n 1 n 1 2 , n 1
X m
U X 1 , X 2 ,..., X n , tn 1
Demonstraţie: Conform propoziţiei 3.1, statistica s
n
este continuă şi strict descrescătoare ca funcţie de m
Im X t ,X t
n 1 2 n 1 n 1 2 , n 1
Intervalul de încredere pentru m1 m2 când 1 2 sunt necunoscute
Teorema 13: Dispunând de doua colectivitati caracterizate de v.a.i X 1 N m1 , 1 şi
X 2 N m2 , 2 , cu dispersiile necunoscute, pe baza unor selecţii de volume
n1 : X 11 , X 12,..., X 1n , respectiv n2 : X 21 , X 22,..., X 2 n , intervalul de încredere pentru
1 2
n1 n2 n1 1 s12 n2 1 s22
diferenţa mediilor 1 m m 2 este X 1 X 2 t ,
1 , n1 n 2 2
2
n1 n2 n1 n2 2
n1 n2 n1 1 s12 n2 1 s22
X1 X 2 t .
1 , n1 n 2 2
2
n1 n2 n1 n2 2
Demonstraţie: Conform propoziţiei 3.2iii), statistica
X 1 X 2 m1 m2
1 1
U X 11 ,..., X 1n1 , X 21,..., X 2n 2 ; m1 m2 n1 n2
tn1 n2 2 . Rezolvând
n1 1 s1 n2 1 s2
2 2
n1 n2 2
X 1 X 2 m1 m2
1 1
n1 n2
inecuaţia t , rezultǎ intervalul de încredere
n1 1 s12 n2 1 s22
1 , n1 n 2 2
2
n1 n2 2
menţionat.
În multe situaţii, aflarea funcţiei de repartiţie a statisticii este o problemă dificilă,
însă, conform teoremei 7, pentru n suficient de mare, cu ajutorul statisticii
1 ln L
nI se poate construi un interval de încredere pentru
not
, 1 0,1 nivel de semnificaţie dat.
Exemplu: selecţia de volum mare asupra unei caracteristici bernoulliene
ln f p x x p
f p x p x 1 p , x 0,1 ; p 0,1 ; Y
1 x
p p 1 p
MX p X p D X p 1
M Y 0 , D Y D 2 .
p 1 p p 1 p p 1 p
2
p 1 p
k np k
p
n not 1 ln L x1 , x2 ,..., xn ; p 1 p
Dacă xi k n N 0,1 .
i 1
nI n p 1 p
p 1 p n
k
p
Pentru n 50 (suficient de mare), P n z FZ z FZ z 1 .
p 1 p 1
1 2 1 2
2
n
k ˆ p
p
Notând frecvenţa relativă pˆ estimaţia probabilităţii p, avem p 1 p
z
n 1
2
n
n pˆ 2 2 ppˆ p 2
z 2 n z 2 p 2 2npˆ z 2 p npˆ 2 0 .
p 1 p 1
2
2npˆ z 2 z 4npˆ 1 pˆ z 2
Rezultă 1 P p1 p p2 , unde p1, 2 sunt soluţiile
2 n z2
ecuaţiei: n z p 2npˆ z p npˆ 0 , deci, un interval de încredere, cu nivelul de
2 2 2 2
încredere 1 este:
z2 z2 z2 z2
2 pˆ 1 2 z 4 pˆ 1 pˆ 1 1 4 pˆ 1 pˆ 1
2
2
2
2 ˆ
p 2
z 2
n 1 n n n 1 n n
2
, 2
.
z
2
z
2
1 1
21 2
21 2
n n
z2
Cum n e suficient de mare, 1 2 devine neglijabil, intervalul de încredere este :
n
pˆ 1 pˆ pˆ 1 pˆ
p pˆ z , pˆ z .
1
2 n 1
2 n
Probleme rezolvate-probabilitate ; v.a.discrete
1. Să se afle probabilitatea ca un număr n 1000 să fie puterea întreagă a unui alt număr
natural.
Soluție: Intrucat 1000 32 ,vom calcula numărul cazurilor posibile, cercetând câte
puteri ale numerelor k 31 sunt mai mici dacât 1000 103 ;deci pentru k 11 numai
k 2 1000 ,adica exista 18=31-11+1-3 cazuri posibile (pătratele numerelor naturale din
intervalul 11,31 ,cu excepţia pătratelor si cuburilor perfecte din acest interval
16,25,27 . Cum 29 1000 210 ; 36 1000 37 ; 54 1000 55 ; 63 1000 64 ;
73 1000 7 4 ,există pentru cifrele: 2,3,5,6,7 2,9 4,8,9 ,(8+5+3+2x2=)20 de cazuri
posibile. Aceste evenimente fiind incompatibile două câte două, probabilitatea cerută va
20 2 18
fi: 0,04 .
1000
2. Care este probabilitatea ca luând un număr natural la întâmplare, cubul sau să se
termine in 28?
n2
Soluție: m N m a0 a1 ...a n 1a n m a k 10 10a n 1 a n A 10a n 1 a n cu
nk
n 0
not n 2
A 10 n k a k ultimele două cifre ale lui m3 sunt date de expresia: 10an 1 an
3
n0
deoarece m 3 A3 3 A 2 10a n 1 a n 3 A10a n 1 a n 10a n 1 a n , astfel problema
2 3
se reduce la a cerceta câte numere de cel mult două cifre au cubul terminat în 28. Fie
n 10a b,0 b 9 n 3 103 a 3 3 102 a 2b 3 10ab 2 b 3 , deci ultimele două cifre ale
unui număr dintr-o sută sunt date de expresia 3 10ab 2 b 3 . Ca acest număr să se termine
în 28 trebuie ca b=2 şi apoi ca numărul 3 10 a 4 2 120 a 8 să se termine în 28
a 1 sau a 6 . Există, în concluzie, două numere (12 şi 62) al căror cub se termină în
2
38, probabilitatea cerută fiind p .
100
3. Un lift urcă cu k persoane într-o clădire cu n etaje. Care este probabilitatea ca la un
etaj să coboare cel mult o persoană?
Soluție: Dacă n<k , probabilitatea ca la un etaj să coboare cel mult o persoană este nulă
(probabilitatea evenimentului imposibil), întrucât numărul persoanelor depăşeşte numărul
etajelor. In cazul n k , numărul cazurilor favorabile este cel al funcţiilor injective
f : 1,2,..., k 1,2,..., n ,adică n n 1... n k 1 Ank ,iar numărul cazurilor
posibile,cel al funcţiilor definite mai sus: n An ; probabilitatea cerută este
k k
Ank
daca n k .
nk
4. Avem n gropiţe. Dăm drumul deodată la k bile. Stiind că fiecare bilă intră în câte o
gropiţa, care este probabilitatea ca în fiecare gropiţa să avem cel putin o bilă?
Soluție: Cele k bile pot intra în cele n gropiţe în n k moduri diferite (cazuri posibile).
Vom calcula probabilitatea evenimentului contrar, iar probabilitatea cerută va fi:
P 1 P1 P2 P3 P4 ... 1 Pn 1 , unde am notat cu
n
Pj ,1 j n 1
P1 Cn1
n 1 k , P C 2 n 2 k ,...P C1 1 , deci probabilitatea cerută va fi:
nk 2 n
nk n 1 n
nk
k k k
1 2 n n 1 n 1
P Cn0 1 Cn1 1 Cn2 ... 1 1 C .
n n n n
n!
n nCnn n 1 Cnn 1 ... 1 Cn1 n!
n n 1
Observaţii: Pentru k=n, evident P k
n
n
j 1
p3
3
2
. Fie E1 1,3 , E2 2,3 , E3 3,4. Arătaţi că E1 , E2 , E3 nu sunt
4 2
independente, deşi P E1 E2 E3 P E1 P E2 P E3 .
1 2 2
Soluție: P E1 E2 E3 P 3 p3 2 1 2 1 2
p1 p3 p2 p3 p1 p2 P E1 P E2 P E3 , dar
3 2
P E1 E2 P E1 P E2 , deci E1 , E2 , E3 nu sunt independente
4 2
6. Se dau evenimentele independente Ai 1 i n având probabilităţile de realizare
p Ai pi , i 1,2,..., n . Care este probabilitatea de a se realiza un număr impar de
evenimente?
Soluţie: Probabilitatea de a se realiza k dintre cele n evenimente independente este egală-
conform schemei lui Poisson - cu coeficientul lui x k din expresia polinomului
n
R x pi x qi R1 R2 x ... Rn x n , unde qi 1 pi , deci cu Rk .
i 1
n 1
2
Probabilitatea p de a se realiza un număr impar de evenimente este p
R
k 1
2 k 1
.
n n 1
n 2 2
R R1
Cum
k 1
k
si R 1 R2 k R 2 k 1
k 0 k 1
n
1 1 2 pi
R 1 R 1 .
p i 1
2 2
7. O urnă conţine A bile albe şi B negre. Din urnă se scot câte una a b bile, fie:
a) punându-se de fiecare dată bila extrasă înapoi
b) nepunându-se niciodată bila extrasă înapoi
Se notează cu p1 si p2 probabilităţile obţinerii în cele două variante de a bile
albe şi b negre. Să se arate că dacă A=B şi a=b, atunci p1 p2 .
Aa B b
p1 Ca b
a
A B ab
Soluţie: Din schema bilei revenite, respectiv nerevenite obţinem: C Aa CBb
p2 a b
C A B
p1 p2 C2AA 2 2 a C2A Aa a . Notând f a 2 2 a C2A Aa a , inegalitatea precedentă se scrie:
f 0 f a . Dar şirul f a aN fiind crescător, egalitatea are loc doar pentru a=0(caz
banal)
8. O urnă conţine N bile dintre care M albe. Se extrag la întâmplare n bile. Determinaţi
probabilitatea ca la extragerea j să se obţină bilă albă, stiind că din cele n bile extrase ,
k au fost albe.
Soluție: Fie Ak evenimentul ca eşantionul de n bile să conţină k bile albe şi B j
evenimentul ca bila j extrasă să fie albă. Vom avea cazurile extragerilor:
Cnk11M k 1 N M
CkM k N M
nk nk
M
a) revenite: P B j , P Ak n şi P A B
N Nn k j
N n 1
Cnk11M k 1 N M
nk
M
P Ak B j P B j
P B j Ak
P Ak
N n 1
Cn M N M
k k nk
N k
n
n
N
CMk C Nn kM C Mk 11C Nn kM
b) nerevenite: P Ak si P Ak B j
C Nn C Nn 11
Fie evenimentul de a se fi extras i bile albe în primele j 1 extrageri. Evenimentele
Ci
Ci formează un sistem complet de evenimente, deci putem aplica formula probabilităţii
totale şi avem:
i j 1 i
M i CM C N M
j 1 j 1 j 1
1
P B j P B j Ci P Ci M C i
C NMji 1
i 0 i 0 N j 1 C Nj 1 CN i 0
j 1
C NM11
C NM
M
N
P B j Ak
P Ak B j P B j
P Ak
C k 1 C n k
M 1n 1N M
C N 1
M Cn
k Nn k
N CM C N M
k
n
9. Tragerea de pe un avion asupra altui avion poate să se producă de la 600,400 sau
200m. Probabilitatea ca tragerea să se producă de la 600m este 0,2, iar de la 400m 0,3.
Probabilitatea doborârii avionului inamic de la distanţa de 600m este 0,1; de la 400m 0,2,
iar de la 200m 0,4. Determinaţi probabilitatea ca tragerea al cărei efect a fost doborârea
avionului să se fi produs de la 400m.
Soluţie: Fie D evenimentul care constă în doborârea avionului inamic. Notând cu
A1 evenimentul ca tragerea să se facă de la 600m, A2 evenimentul ca tragerea să se facă
P A2 PA D
PD A2 3 2
0,25 0,3
Aplicând formula lui Bayes:
P Ai PA D
= 0,2 0,1 0,3 0,25 0,5 0,4 ,
i
i 1
A Ak şi P Ak
15 1
, k 1,2,... . Astfel, 6 k 1 6 6 1 5 .
k 1 66
6
Alternativ, folosind axioma continuitaţii, consider evenimentul Bn ca nici un 6 să nu
apară în primele n aruncări. Evident, Bn 1 Bn şi A B . Atunci
n 1
n
n
5
1 P A P A P Bn lim P Bn lim 0
n 6
n 1 n
1
12. Pe o foaie de hârtie, persoana A scrie + cu probabilitatea sau -. Dacă persoanele
3
2
B,C şi D schimbă semnul cu probabilitatea , iar în final pe foaie semnul este +,
3
determinaţi probabilitatea ca persoana A să fi scris +.
Soluție:Fie M evenimentul ca A să fi scris + ( M a scris-) şi E evenimentul ca în cele din
P M P E M
urmă pe foaie să fie +. Avem: P M E P M P E M P M P E M . Dar
3 2
P E M =P(+ n-a fost schimbat sau a fost schimbat de două ori)= 1 2 1
3
3 3 3
2 3
P E M = P(+a fost schimbat o dată sau de trei ori)= 3 1 2 2
; prin urmare
3 3
3
1 1 2 1
3 2
3
3 3 3 3
P M E
13
1 1 2 1 2 1 2 2 41
3 2 2 3
3 3
3 3 3 3 3 3 3 3
13. Demonstraţi inegalitatea lui Bonferroni: dacă A1 , A2 ,..., An K , atunci:
n
n n
P Ai P Ai A j P i P Ai
A
i 1 i j i 1 i 1
Soluţie: Ca şi pentru formula lui Poincarè, vom demonstra prin inducţie partea stângă a
inegalităţii; pentru n=2 are loc egalitatea 6) P A1 P A2 P A1 A2 P A1 A2 , iar
3 3
pentru n=3, formula lui Poincarè P Ai P Ai P Ai A j P Ai
3
i 1 i 1 i j i 1
implică inegalitatea.
n 1 n n n
P Ai P Ai An 1 P Ai P An 1 P An 1 Ai
i 1 i 1 i 1 i 1
n 1
n 1
P A A P A A P A P A A P A A
n n
P Ai i j i n 1 i i j i n 1
i 1 i jn i 1 i 1 i jn i 1
n 1
P Ai
i 1
P A A , pentru partea dreaptă a inegalităţii utilizând disjunctarea:
i jn
i j
k 1
n n n n
Bk Ak Ai Bi B j , i j P Ai P Bi P Bi P Ai
i 1 i 1 i 1 i 1 i 1
14. Se formează un lot de 30 sportivi, băieţi şi fete, aparţinând la trei cluburi. Sportivii
sunt echipaţi în culorile cluburilor cărora le aparţin şi anume roşu, albastru şi negru. Să se
calculeze probabilităţile de extragere din grup al unui sportiv de sex dat şi aparţinând
unui club anume .
Soluţie: Notăm cu C v.a. reprezentând culoarea clubului care poate lua valorile roşu,
albastru şi negru. Notăm cu S v.a. reprezentând sexul, care poate lua valorile baiat sau
fată.
Vom alcătui tabloul de mai jos cu toate cele 30 unităţi statistice de interes.
Unitatea statistică este reprezentată de sex (b/f) scris în culoarea clubului (roşu, albastru
şi negru), de exemplu b reprezinta un baiat aparţinând clubului cu echipament rosu.
b f b b f b
f f f b b b
f b f b f b
f b f b f b
b b f b b f
Calculul intuitiv al probabilităţilor condiţionate se face pornind de la tabelul
distribuţiei de frecvenţe absolute de mai jos, în care pe linii au fost scrise culorile
cluburilor C1 , C2 , C3 şi pe coloane sexul S1 , S 2 . Pe partea haşurată a tabelului am
trecut frecvenţele de apariţie a fiecărui tip de unitate statistică Ci S j , i 1,2,3 ,
j 1,2 , de exemplu numărul f 2,1 8 reprezintă numărul băieţilor ( S1 ) de la clubul
C2 (albastru). Distribuţiile marginale f i vor reprezenta numărul de sportivi proveniţi de
la fiecare club iar f j numărul de băieţi (j=1) sau fete (j=2).
Ci \ Sj S1 =b S2=f fi
C1=rosu 5 1 6
C2=albstru 8 5 13
C3=negru 4 7 11
fj 17 13 30
Probabilitatea de a extrage un sportiv de sex j aparţinând clubului de culoare i este
f ij
P S j | Ci iar probabilitatea de a extrage un sportiv aparţinând clubului de culoare i
fi
f ij f12 8
de sex j este P Ci | S j . De exemplu P S1 | C 2
.Aplicarea formulei
fj f 2 13
probabilităţii condiţionate se face după construirea tabelul frecvenţelor relative de mai
jos.
Ci \ Sj S1 =b S2=f pi
C1=rosu 5/30 1/30 6/30
C2=albstru 8/30 5/30 13/30
C3=negru 4/30 7/30 11/30
pj 17/30 13/30 1
Acestea se obţin prin împărţirea frecvenţelor absolute la numărul total (30) al
evenimentelor.
f ij P S j Ci
P B | R
P B R 5 / 30 5
P S j | Ci 0,833 ;
fi P Ci P R 6 / 30 6
P B A 8 / 30 8 P B N 4 / 30 4
P B | A 0,615 , P B | N 0,364
P A 13 / 30 13 P N 11 / 30 11
P F R 1 / 30 1 P F A 5 / 30 5
P F | R 0,167; P F | A 0,385 ṣi
P R 6 / 30 6 P A 13 / 30 13
P F N 7 / 30 f ij P S j C i
P C i | S j
7
P F | N 0,636 ,
P S j
iar
P N 11 / 30 11 fj
P B R 5 / 30 5 P B A 8 / 30 8
P R | B 0,294 ; P A | B 0,471
P B 17 / 30 17 P B 17 / 30 17
P B N 4 / 30 4 P F R 1 / 30 1
P N | B 0,235 ; P R | F 0,077
P B 17 / 30 17 P F 13 / 30 13
P F A 5 / 30 5 P F N 7 / 30 7
P A | F 0,385 ; P N | F 0,538
P F 13 / 30 13 P F 13 / 30 13
Observație: P S j
Ci P S j Ci P Ci P Ci S j P S j P Ci S j
15. Un fumator cumparǎ doua cutii de chibrituri, fiecare continand câte n bețe. De fiecare
datǎ când are nevoie de un chibrit, scoate la ȋntâmplare o cutie din care consuma un bǎț.
Care este probabilitatea ca, ȋn momentul ȋn care constatǎ ca o cutie este goalǎ, cealaltǎ sǎ
mai conținǎ k bețe?
Soluţie: Constatarea că o cutie este goală se face în momentul în care este scoasă din
buzunar a (n+1)-a oară. Dacă cealaltă cutie mai are k beţe, aceasta a fost scoasă din
buzunar de n-k ori, deci de 2n-k+1 ori au fost scoase cutiile din buzunar. Evenimentul ca
în momentul în care o cutie este scoasă din buzunar a (n+1)-a oară, cealaltă cutie să fi
ieşit de n-k ori este A B D C D , unde D este evenimentul ca extragerea a 2n-
k+1 să fi fost făcută din buzunarul drept, B cel ca în 2n-k extracţii n să fi fost făcute din
buzunarul drept, iar C ca în 2n-k extracţii n-k să fi fost făcute din buzunaruldrept.Rezultă
1
P B P C , P D ; P D P B D P C D P B P D P C P D P B .
2
C2kn k
Aplicând schema lui Bernoulli, P B C2kn k p n q n k P A .
22 n k
16. a).O urnǎ conține n bile de douǎ culori, ȋn proporție necunoscutǎ (urna conține i bile
de culoarea celor extrase ṣi n-i de cealaltǎ culoare). Se extrag k bile cu revenire. Ṣtiind cǎ
toate bilele extrase au fost de aceeaṣi culoare, determinați probabilitatea ca urna sǎ
conținǎ doar bile de aceastǎ culoare.
b). Considerând N urne ca cea de mai sus(urna i conține i bile de culoarea doritǎ ṣi n-i de
cealaltǎ culoare).Extrǎgând o bilǎ de o anumitǎ culoare, determinați probabilitatea ca
aceasta sǎ provinǎ din urna i 1,2,..., N .
Soluţie: a)Fie Ai evenimentul ca urna sǎ conținǎ i bile de culoarea celor extrase ṣi n-i de
1
cealaltǎ culoare, i 0,1,..., n P Ai ṣi X evenimentul de a extrage k bile de
n 1
culoarea celor extrase. Trebuie determinatǎ P An X . Dar P X A0 P X A1 ....
k
P X Ak 1 0, P X Ai , i k , k 1,..., n 1 ṣi P X An 1 .
i
n
Aplicând formula lui Bayes ṣi formula probabilitǎții totale, se obține:
P An P X An nk
P An X n k
k k 1 .... n k
k
iP A P X Ai
i 0
b). Fie A evenimentul de a selecta o bilǎ de o anumitǎ culoare ṣi Bi evenimentul ca urna
1
i 1,2,..., N sǎ fie selectatǎ. Atunci, P Bi ṣi
N
P A Bi P Bi
P A Bi P Bi A N
i 2i
N N 1 .
P A Bi P Bi
n
i 1
k 1 j 1
n n
n n
M Y M X j M X j np,D Y D X j D X j np1 p
j 1 j 1 j 1 j 1
Media repartiţiei binomiale se poate calcula direct: utilizând kCn nCn 1
k
k 1
n n
M Y kCnk p k 1 p np Cnk11 p k 1 1 p
nk nk
np sau derivând egalitatea
k 1 k 1
n
p q n Cnk p k 1 p n k ca funcţie de p, prin înmulţire cu p si ţinând seamǎ de faptul
k 0
n
cǎ p q =1 avem succesiv: n p q kCn p 1 p
n k k 1 nk
k 0
n
np p q kCnk p k 1 p M Y np , prin aceastǎ ultimǎ metodǎ putându-se
n nk
k 0
k 1 k! n k ! k 1
D X X Y n n
X X Y n Bi n, , cǎci DV M 2 V M 2 V
2
cu V Bi n, p poate fi dedusǎ ȋn moduri diferite:
n n
i). calculatǎ direct: M V k C n p 1 p np C nk11 p k 1 1 p
nk n k
k k
np
k 0 k 1
n n
M 2 V k 2 C nk p k 1 p n n 1 p 2 C nk22 p k 2 1 p np np1 n 1 p ,
nk nk
k 0 k 2
k 0
M V Bi
n , p 0 npe t pe t 1 p n 1
t 0 np, M 2 V Bi
n, p 0 ..
n
iii).folosind faptul cǎ V U k ,U k Be p v.a.i.i.r. M U k M 2 U k p
k 1
n n
DU k p 1 p , deci M V M U k nM U k , DV DU k nDU k .
k 1 k 1
k!
qt k
1 qt
g Ge p t n q.e.d.
k 1
observație: același lucru putea fi demonstrat cu ajutorul funcției generatoare de momente
sau a celei caracteristice.
Tema: Arǎtați cǎ Bi n, p , Po K , .
20. Determinaţi probabilitatea minima cu care se poate afirma că numǎrul de drumuri
independente pentru obţinerea a patru produse bune dintr-un lot de 360 produse
conţinând doar 36 produse corespunzǎtoare este cuprins între 21 şi 59.
Soluţie:Numǎrul de drumuri independente pentru obţinerea unui singur produs bun
din lotul considerat este dat de v.a. X Fs 0,1 , variabila problemei fiind
4
1
Y X k , X k Fs 0,1 fiind v.a.i. Y BN 4, . Deci: M Y 4 M X şi
k 1 10
D Y 4 D X . Pentru calculul mediei şi dispersiei variabilei X vom utiliza
X 0
X t eitk pq k 1 peit eit q
peit
it M X , M 2 X X 0
k 1
k 1 k 1 1 qe i
X t pe it
1
Dar MX
M Y 40 . Probabilitatea minima cu care se poate
i 1 qe p
it 2
afirma că numǎrul de drumuri independente pentru obţinerea a patru produse bune dintr-
un lot de 360 produse conţinând doar 36 produse bune este cuprins între 21 şi 59 este:
P 21 Y 59 P Y 40 19 , ceea ce conduce la aplicarea inegalitaţii lui Cebâşev
4 D X it 1 qe
it
eci p=1/5 p 0,25 . Pentru b=p, se verifică imediat că v.a. X şi Y sunt independente
0 10 20130 20130
Pentru a=p, v.a. X,Y nu sunt independente. Y : 4 p 1 4 p ; XY :
p2 p 2
2013 0 2013
M XY 0, M Y 101 4 p X : M X 2013 b 4 p 1
1 4p a b
1 1
p 5 , 4 pentru b p
negativ corelarea 1 4 p b 4 p 1 0
.
p 1 , 1 pentru b 3 p
7 4
0 10 2
M Y X 2012 10 p
; P X 0 Y 0 =
2
b). Y X 2013 : p
1 4 p
1 4p
P X 2013 P Y 0 P X 2013, Y 0 1 p 2 ; P Y 0 X 2013
P X 2013, Y 0 p2
1 , iar D 2Y X 4 D Y D X 4 cov X , Y , cu
P X 2013 b
D Y 400 p1 4 p , D X 20132 1 a b 4 p 1 , cov X , Y 20130 b 4 p 11 4 p
2
2. Determinaţi media şi dispersia variabilei hipergeometrice.
n
Soluţie: Şi variabila H N , n, p se poate exprima ca Y X j , X j Be p , cu
j 1
n
P X jXk 1 Np Np 1
N N 1
M X jXk
p Np 1
N 1
şi cov X j , X k
M X jXk M X j M Xk
p Np 1
N 1
p2
pq
N 1
j j
j 1 j 1
n n
D Y D X j D X j 2 cov X j , X k npq 2Cn2
pq
N 1
npq1
n 1
N 1
j 1 j 1 j k
Soluţie:Avem covU ,V
i, j
cov X i , Y j nm3 ,
m
DU D X i 2 cov X i , X k
i 1 ik
n
m m m 1 1 şi similar DU D Y j 2 cov Y j , Yk n n n 1 2
j 1 jk
covU ,V nm 3 nm3
U ,V
U V
m m m 1 1 n n n 1 2
1 m 1 1 n 1
1 2
2 t , t
M2 X
2 t , t
, M 2 Y
2 t , t
, M 2 XY
1 2
1 2
1 2
.
t1
2
t t 0 t 2
2 t t 0 t
1 2
t t t 0
2ae
1 2 1 2 1 2
Deoarece
t1 , t2
t1
t1 t 2
1 b e 1 e 2 ae 1
t t
t t2
be 1 ,
t
t1 , t2 2ae t1 t 2
t
1 b e 1 e 2 ae 1
t
t t2
be 2 ,
t
t2
2 t1 , t2 2ae t1 t 2
t
1 b e 1 e 2 ae 1
t
t t2 t
be 1 2 ae 1 t t2
be 1
t
2
şi
t1 2
2 t1 , t2 2ae t1 t 2 t
be 2 ae 1
t t2 t
be 1 2 a e 1
t t2
t
1 b e 1 e 2 ae 1
t
t t2
, se obţine:
t1t 2
1
M X 2 2a 2b a b M Y 1, M XY 2 a b 2 2a 2b a b 2a
2
2
1 3
cov X , Y 2a ; M 2 X 2 2a 2b a b 2 a b M 2 X
2
2 2
1
D X D Y X , Y 4a 1 .
2
c
5. Repartiția vectorului aleator X , Y este de forma P X m, Y n m 1
, m, n N
2 n!
. Determinați c și arǎtați cǎ M(X)=M(Y).
Soluţie:Din
e 1 1 1
p m m1 m1
1 1 2 n 0 n! 2
c m 1 1 c e 1 1 1
m ,nN 2 n! 1 1 e 1 e
m 0 2
m 1
n 0 n!
pn
n! m0 2 m1
n!
m 1
p mn p m p n X , Y v.a.i. Pentru demonstrarea egalitǎții 2
m 1
m 1
e 1
n 1 n 1!
m
,avem de demonstrat cǎ 2 m 1
1 G 1
0 .
m 1 Ge
2
1
x
Met 1: Cum x n 1 n x n1 1 m m
2
m 1 4 m 1 1
n 0 1 x n0 1 x 2
m 1 2 m 1 2
Met 2: g Ge p t p qt 1 qt GGe p t g Ge p e 1 q e t GGe
p p q
n t
p 0
n0 p
6. Dacǎ v.a.bidimensionalǎ X , Y are repartiția comunǎ datǎ de tabelul, determinați
-1 0 1
-1 0,3
1 0,1 0,4
0,3 0,3
3
7. Știind cǎ D 3 X M 2 3 X
2
9
4
, M 6Y 2 13 0 , vectorul X , Y având
repartiția comunǎ
XY b-3 b-2 b
2a 1/12 2p
0 5/24 4p
a+3 1/24 3/24 2p
2q 4q 6q
determinați: a). P X Y 1 ;b). M Y X 0 ;c). X și Y sunt corelate.
3 9 1 13
Soluţie: D 3 X M 2 3 X M 2 X D X M X 0; M 2 Y
2 4 4 6
3 a 1 13 2 b 3 4 b 2 6b 2
2 2
1 1
Cum p , q , iar M X a 1,
8 12 4 6 12
1
12b 28b 8 0 b 2, ,deci avem douǎ variante:
2
3
X Y -1 0 2
-2 1/12 d e 1/4
0 5/24 c 1/2 XY -8/3 -5/3 1/3
2 1/24 3/24 1/4 -2 1/12 d e 1/4
1/6 1/3 1/2 0 5/24 c 1/2
2 1/24 3/24 1/4
cu 1/6 1/3 1/2
1 1 1 1 1 1 1 1 1 1 7 1 1 1
, ,c ,d şi e , deci
6 8 24 4 6 12 2 4 4 3 24 4 8 8
1 5 1 7
a). P X Y 1 1 d respectiv P X Y 1 c e ; b).
12 6 8 12
b 3 b 2 b
Y X 0: 5 M Y X 0 b 3 5 b 2 6b b 13 11 , 3
2 2c 12 12 12 4
12
1 1 3 1
cov X , Y M X Y 2 4 e , deci pozitiv corelate,respectiv
12 24 24 6
16 1 1 10 2 3 1 2 5
cov X , Y M X Y d e 0 negativ!
3 12 24 3 3 24 3 3 6
a 0 0 b
8. Pentru variabilele bernoulliene X : , Y : se cunosc p p
p 1 p 1 p p
P X a, Y b p şi m M X Y b . Stabiliți relația dintre m, p, p , p , a, b și
X ,Y .
Soluţie:
X Y 0 b
a p p
0
p
a 0 p p p p
X Y b : cu P m a cov X , Y ab p p p
P 1 P 1 p 1 p
p p p
D X a 2 p1 p , D Y b 2 p 1 p X ,Y .
p p1 p 1 p
Probleme propuse
1.Trei bile de culori diferite se pun la întâmplare in trei urne. Notând cu X 1 v.a. care
indica numǎrul de bile dintr-o urna , cu X 2 v.a. indicând numǎrul bilelor dintr-o altǎ urna
și cu Y pe cea care reprezinta numarul urnelor ocupate, arătați cǎ X 1 și X 2 sunt negativ
corelate, iar Y și X i , i 1,2 sunt necorelate.
2. Repartițiile marginale ale unei variabile bidimensionale multinomiale sunt binomiale:
i).dintr-o urnǎ cu 10 bile albe, 15 verzi și 25 galbene se fac 3 extrageri. Dacǎ X reprezintǎ
numǎrul bilelor albe extrase, iar Y al celor verzi, determinați funcția de regresie a v.a. X
fațǎ deY(studiați atât cazul extragerilor revenite, cât și al celor nerevenite. )
ii). Dacǎ X reprezintǎ numǎrul aparițiilor feței 3 la aruncarea de n ori a unui zar, iar Y cel
al aparițiilor uneifețe pare, stabiliți X ,Y . Pentru vectorul aleator bidimensional discret
cu
n!
P X j , Y k p1j p 2k 1 p1 p 2 , j k n, j , k 0,1,..., n , p i 0,1
n j k
k! j! n k j
aflați funcția caracteristicǎ a vectorului X , Y , repartiţiile v.a.X și Y X j și X ,Y .
0 1 0 2
3. Fie X : 1 1 , Y : 1 2 cu P X 0, Y 0 p .Aflați ȋntre ce limite poate varia p.
2 2 3 3
Calculați,ȋn funcție de p, X , Y ; ȋntre ce limite poate varia acesta?
4.
X 1 2 3
Y
-1 1/4 1/10 1/10
0 1/20 1/5 3/20
1 0 1/20 k
k=?, FX , cov X , Y , funcția de regresie a v.a. X ȋn raport cu v.a.Y.
5. Se cer: repartiția comunǎ, M X Y 0 , P X Y 0 , D X 2Y pentru
X Y -1 0 1
2 0,06 0,12
3 0,28 0,28
0,4
6. f x, y c x y , x, y 0,1,2 P X Y ?, cov 2 X ,Y ?
7. Aflați p, U ,V , cu U 2 X 1,V 3Y 2, M 3Y 2 X 1
X Y 0 1 2
-1 p 2
2p 2
p2
0 p2
p p
1 2 1 3 a
v. a. X : a 1 a şi Y : 3a 1 3a . Se ştie că P X 1, Y 3 .
8.1.Fie
2
a) Să se scrie tabelul repartiţiei comune al variabilelor X şi Y în funcţie de parametrul
a.
b) Să se afle când M X Y 3
7 1
.c). cov U ,V ,cu U 2 X 1 şi V 5Y , a .
4 5
8.2Se consideră repartiţia comună a variabilelor .
X/ 1 2
Y
0 a
1 1 2a
2a
X/ 0 1
Y
-1 p
2 a
q
X Y n n+2
1-m 0,2 0,3
m
0,4
determinați P X Y 0 şi X ,Y .
11.Dacǎ
X Y 0 1
-2 0,3 0,5
0 0,2 0,3
2 0
a).stabiliți dacǎ variabilele sunt independente și repartiţia v.a. Y X 2
b).calculați P X 1Y 1 și X ,Y .
12. Se știe cǎ M 5 X 1 3
XY -1 a 3
-2 0,05 0,3 4p
0 4p
0,05 1 0,1 2p
3q 5q 2q
Calculați M X 2 Y 1 , P X Y 0 , D X Y 3 și X ,Y .
x
m e k 1
M0 e e 2
dx , însǎ
2 0
... e ; tm
f x
2 f e 2
,x 0.
Y
x Z x 2
Modul repartiţiei fiind soluţia M 0 a ecuaţiei f x 0 (cu f x 0 ), iar
2
1 ln x m
1 ln x m M e m e
f x
2
2
e 1 .
2
0
x 2 2
2. Ştiind cǎ rezistenţa la rupere a verigilor unui lanţ este o v.a. Y cX , X m 1,2 ,
determinaţi densitatea de repartiţie a rezistenţei la rupere a unui lanţ alcǎtuit din n astfel
de verigi.
Soluţie:Întrucât rezistenţa la rupere a lanţului este egalǎ cu rezistenţa la rupere a celei mai
slabe verigi, avem de determinat funcţia de repartiţie a celei mai slabe verigi a lanţului:
U minY1 , Y2 ,..., Yn ,unde Yi i 1, 2 ,...,n v.a.i.identic reartizate cu Y.Dar
FY x P Y x
x x x 1 x
P cX x P X FX , 0,1 f Y x f m 1, 2 , x 0, c . Cum
c c
c c c
x m 1 m 2
x
x c x dx m 2
x
m 1
m 1
x
m2
FX
m
. Dar
c m2 0 c c
n
FU x P Y1 x, Y2 x,...,Yn x 1 P Y1 x, Y2 x,...,Yn x 1 P Yk x
k 1
n
1 1 P Yk x 1 1 FY x densitatea de repartiţie a rezistenţei la rupere
n
k 1
1 m 3 x
m
1 x
f m 1, 2 x x m 1 x , x 0,1 f Y x 1 , x 0, c ,
m 1,2 c m 1 c c
m 1 m 2 x m c x m 1 m 2 x
c m 2
c m2 0
m 1 m2
x x
FY x m 2 m 1 , x 0, c
c c
n m 1 m 2 x
m m 1 m 2
x x
fU x m 2
1 m 2 m 1 c x , x 0, c
c c c
1
3.Dacǎ X W , , k N , determinaţi X
*
mk
,X pk , m, p N * şi repartiţia v.a.
k
n
2 X kj
j 1 , unde v.a. i. X j j 1, 2,..., n sunt identic repartizate cu X.
U
xk
Soluţie: X W , FX x 1 e , x 0 Y X k Y exp !!!
1
k
cov X mk , X pk covY m , Y p M m p Y M m Y M p Y
Cum X , va fi suficient
mk pk m p D Y m D Y p
mk pk
,X
X X Y Y
x
y
sǎ calculǎm M n Y şi D Y . Avem: M Y 1 x n e dx
x
y
n
e y dy n! n şi
n
n
0 0
D Y n M 2 n Y M n2 Y 2 n 2n ! n! 2
, deci
m p !m! p!
X mk
,X pk
2m! m! 2 2 p ! p! 2 .
xk
kxk 1
X
Cum F x P X x P Y x F x f x kx f x
Y X Y
k
e , adicǎ
k k 1
k
x
itx x a 1e b dx 1 it x a n 1e b dx b 1 itb
n x n x y n
1
a
a b 0 n 0 n!
a b n 0 n! 0
a
a n 0 n! y
a n 1 y
e dy
0
a n
1
1
itb n 1 a a 1... a n 1 itb n 1 itb a
a n 1 n! n 1 n!
n
exp t 1 it 1; t 1 2it 2 .
n2
2Y
U t 1 2it n U 22n , concluzie la care se ajungea şi pornind de la V
x
2Y x x x 1 2
FV x P x P Y FY fV x fY e sau
2 2 2 2 2
1
n 2t
calculând direct U t Y , unde exp 1 i
2t 2t
Observaţie:Pentru cerinţa anterioarǎ a problemei se putea calcula direct-fǎrǎ observaţia
xk
y
fǎcutǎ şi demonstratǎ Y X Y exp :
k 1 xk
k
kx
M s X xs e
dx
0
s
s
k y e y dy 1 , pentru s kn concluziile fiind aceleaşi.
s k
0 k
4. Determinaţi momentele variabilei Student.
Soluţie: Dacǎ Z k k 1, 2,..., n v.a.i. identic repartizate cu Z N 0,1 , atunci v.a.
Z
T n
U este repartizatǎ Student cu n grade de libertate, cu U Z
k 1
2
k n2 .
n
Dacǎ Z k N 0,1 , atunci FZ k2 x P Z k x P x Z k x FZ k
2
x
FZ k x , x 0 f Z 2 x
fZk x f x f x , cǎci
Zk Zk
f Z k este parǎ.
k
2 x 2 x x
1 x
x
1 x e 2 2
u
f t f t , u du , unde fT ,U t , u f Z t
fU u . D z , u
0 n
D t, u
2
n u n 1 u 1 t
t 2u 1 2 n
1 u e2
u 2
u 2
e
f t, u e 2n
, t R, u 0 , deci
n n
n
2 2
n n
2n 2 2
2 2
n 1 u t 2
n 1 u 1 t
2 n 1
2 2
1
2 n
x
1
2 1 t
f t
n
n
2
u e du 2
,t R .
n 2 0 n 1 n
2n 2
n
2 2 2
Densitatea de repartiție Student cu n grade de libertate fiind funcție parǎ M T 0
t2
M k T k T , k N * ṣi M 2 k 1 T 0 . Fǎcând substituția x , se obține:
n
n 1 k n 1 k
2 n 1 n 1
2 k n 1 n 2 k n 1
2 k T x 2
1 x
2 dx x 2
1 x 2 dx
n 2 n
n 0 0
2 2
n 1
n k
2 k 1 , n k n k 2k 1!!
n
2 2 n 2 n 4 ... n 2k
2
5.Dacǎ f este densitatea de repartiţie a unei v.a. pe R, determinaţi constanta C pentru care
x C f x dx este minimǎ.
Soluţie:
C C C
x C f x dx C x f x dx x C f x dx 2C f x dx 2 xf x dx
C
C
C M X g C al cǎrei minim trebuie aflat. Cum g C 2 f x dx 1 , iar
Soluţie:Cum x a c dx x a c dx
a c a
2
a a c a c c 2
1
k 2 , funcţia de de repartiție a v.a.X (având mediana M e a) va fi F x
c
0, x a c
1
x
t 2t a c
2 x
1 xac
2
c 2 ac
t a c dt ,a c x a
2c 2 a c
2 c
1 2t a c t 2 1 x a a 2c x
x
1 a x
c 2 x a c dx t a c dt 2
2
,a x a c
a c 2 2c 2 2 c
a a
1, x a c
1
a ac
c a c a
1
a ac
1 itx a
c a e itx a
c a e xe itx
dx xe itx
dx . Ţinând cont cǎ
c it
2 a c c a c
a c 2
a
it n n 1 itx n eitx x 1
xe dx x dx x
n 1
itx 2
... -detaliaţi calculele!!!
n0 n! n 0 n 2! t i t
1 itx a itx a c 1 itx a c
t e e x c a e itx a
x c a e
c 2t 2 a c a c 2it a c a
2
tc
sin
2 eitc e itc
ita ita
e 2e
2 2 1 cos tc eita 2
ct
2 2
ct ct
2
2
x
x 2 2
7. Determinaţi distanța intercuatilicǎ a repartiției Rayleigh f x 2 e
, x 0 .
1
1
Soluţie: Cuartilele 1 și 3 se determinǎ din relațiile: f x dx f x dx . Din
4 3
1 1 x x 2 2
2
1 2 3
2
12
2 e dx 1 e
2 2
e 2 4
4 0 4 1 2 ln
sistemul x2 32
2 3 , deci
1 x e 2 2 dx e 2 2
2 2 1 2 ln 4
3
4 2 e
4
3
3
4
3 1 2 ln 4 ln .
3
1. Arǎtaţi cǎ : a). X Pa 1 ,1 ln X exp
n x2
1 2
2
x 2
e
b). X N 0, X 2 n2 ; Y n fY x ,x 0
2
n
n
2 2 n
2
1
x
1
0
itx n e ax dx itx n e ax dx x y
folosi L a t 0
2a 2a n 0 n!
e itx
e a
dx
n!
n0
au
x
1 it n a
u
n x y
a 1 2 k
2a n 0 n! 0
n a
x e dx y e dy a
t
2k
e u adu a 2t 2 n
0 k 0 2k ! 0 n0
1 1 1
deci L a t L 1 t eitx e dx ; dacă t x , se obţine:
x
1 a 2t 2 1 t2 2
1 1 1 1 1 1 1
e
t t t
eitx e dt ; e itx e dt itx
e dt . Cum
1 x 2
2 1 x 2
2 1 x 2
2
1 1
n
t
t
1
f x e
itx
t dt , rezultă C 0,1 t e t
X t e n n e t
2 n
X
X C 0,1 .Observaţii: rezolvarea dată generează următoarele probleme:
1.diferenţa a două v.a.i. exp(1) este o v.a. L (1)
2.calculul densitaţii şi a funcţiei caracteristice X C m, a X aZ m, Z C 0,1
1
3. X U , Y tgX C 0,1 C 0,1
2 2 Y
n
n n
4. X k C mk , ak , k 1,2,..., n v.a.i. X k C mk , ak
k 1 k 1 k 1
2. Calitatea unor aparate este apreciata dupa numărul de puneri in funcţiune până la
prima defectare. S-au analizat 100 de aparate , obţinându-se rezultatele:
xi porniri 1 3 6 8 10
ni aparate 15 20 30 10 25
Calculaţi:a).valoarea funcţiei empirice de repartiţie în punctul x=7
b).media şi dispersia de selecţie
1 3 6 8 10
Soluţie: X : 15 20 30 10 25 F100 7 0,65 ;
* *
100 100 100 100 100
0, x 1
0,15, 1 x 3
0,35, 3 x 6
F100 x
0,65, 6 x 8
0,75, 8 x 10
1, x 10
5 5
ni xi 1 15 3 20 6 30 8 10 10 25 n x x
i i
x i 1
5
5,85 , iar 2* i 1
5
100
ni
i 1
n
i 1
i
n x 2
n se obţine: f x n e 2 N x , 1
2 n
4. Dacă selecţia de volum n , X 1 , X 2 ,... X n , este extrasă din populaţia caracterizată de
nX
a). v.a. X exp , determinaţi repartiţia statisticii S
x 2n *
b). F x 1 e S m
X
, x 0 , determinaţi repartiţia statisticii
n
Soluţie:a). Cum X k
, este suficient de determinat funcţia caracteristică a v.a.
S k 1
X
Y , X exp , ceea ce va conduce la determinarea acesteia pentru statistica dată:
t X
S t Yn t Xn . Dar FY t P Y t P t P X t FX t
itx n e t dt
fY t f X t e t , t 0 . Prin urmare: Y t e e dt
itx t
0 0 n0
n!
ix n n 1
n0 n!
ix
n0
n
1 ix
1
S t 1 ix
n
S n,1
i 1 ci
sunt estimații nedeplasate pentru m ṣi determinați-o pe cea de dispersie minimǎ.
Soluţie: Avem, evident:,
1 n 1 n 1 n n
M X M X i M X i m , D X 2 2 ci
n i 1 n i 1 n i 1 ci n n i 1
M Xˆ M n
1
n
c i X i
n
1 n
ci M X i m ṣi 1 n
D Xˆ D ci X i
ci
i 1
c i
i 1 c i 1
i 1 i 1
1 n 2 1 n 2 n 2
i c D X i c ci
c 2 i 1 ci c 2 i 1
i
c 2 i 1 c
ci X i ci
n n
~ 1 1
M X M n M Xi m , iar
ci i 1 c i ci ci
n
i 1
i 1 ci i 1 c i
2
ci
ci X i
n n
~ 1 1
D X D n D X i
ci c i 1 ci
2
ci
i 1 n
i
i 1 ci i 1 c i
2 2 2 1
n ci n
ci n ci n
ci n ci
i 1 ci i 1 ci ci i 1 ci i 1 ci i 1 ci
i 1 i 1
2L
a j a i
2 D X i ij 0 )este soluția sistemului;
L
a a1 , a 2 ,..., a n , 0, i 1,2,...n 2 ai D X in 0, i 1,2,...n
i
L
a1 , a 2 ,..., a n , 0 ai 1 0
i 1
ai 2 D X , i 1,2,...n 2 2
i
n n . Prin urmare,
1 1 0
n
1 ci
2 i 1 D X i i 1 D X i
i 1 c i
1 ci
ai
ci
ci ci , deci estimația de dispersie minimǎ este
n n
D X i
i 1 ci i 1 ci
n
ci 1 n
ci X i ~
X i i 1 ci
X
ci c i
n n
ci
i 1
i 1 c i
i 1 ci
2. Pentru o selecţie repetată de volum n extrasă dintr-o populaţie cu caracteristica
Pa , , determinaţi e.v.m. al lui a). cunoscând ; b). cunoscând ;c) estimaţi
ambii parametrii prin metoda momentelor.
Soluţie: f x; , , x . Funcţia de verosimilitate este:
x 1
1
n
n
P x1 , x2 ,..., xn ; , f xk ; , n n xk , x1 , x2 ,..., xn .
k 1 k 1
n
L n
a). L x1 , x2 ,..., xn ; , n ln n ln 1 ln xk n ln ln xk
k 1 n k 1
L
2
1 n
cum
2
2 0 , soluţia ecuaţiei :
n n
ln x
k 1
k n ln este estimatorul căutat
n
ˆ n
e.v.m.
ln x k n ln ;b).
k 1
P x1 , x2 ,..., xn ; ,
1
n
n n 1 n xk , min xk Deci funcţia de
k 1
verosimilitate este crescătoare ˆ min xk . c). Pentru 2 ,avem:
2
MX M 2 X 1 dx
dx x 1 ; x 2
x
1 1
x 2 2
X
1 2
1
D X 2
2 2 ,deci:
2 1 2 1
2
S
2
2 1 2
X2 ~ 1 S 1 S 2 X 2
S2 S S 2 X 2 ;~ X 1 ~ X
2 S S2 X 2
3. Studiați calitǎțile e.v.m. pentru legile de repartiție:
1 1
1
x
i). f x, x , x 1, 0 ;ii). p x, , x N, 0 .
1 1 x
Soluţie: E.v.m. este punctul de maxim local al funcției de verosimilitate
n n
P X 1 , X 2 ,..., X n , f X k , L X 1 , X 2 ,..., X n , ln f X k , . Avem:
k 1 k 1
1
1
verosimilitate
L
0 1 n
n ln X k
determinǎ e.v.m. cǎci
2
k 1
ln X k ˆ
k 1
n
n n
2 ln X k ln X k
2L ˆ
2
n
2 k 1 3
1
2 n 2 kn1
n
2 0 . Pentru a demonstra
k 1
ln X k
ˆ
n
consistența ṣi eficiența acestuia,observația cǎ Y , cu Yk ln X k va simplifica
ˆ
substanțial calculele.
FY x P Y x P ln X x P X e x FX e x , e x 1 f Y x e x f X e x , x 0
n
1
Deci f Y x e x e x 1
1
Y exp , consistența ṣi eficiența e.v.m ˆ ln X k
k 1
n
revenind la demonstrarea consistenței ṣi eficienței mediei de selecție pentru exponențialǎ.
x
1
(evident Y este e.v.m. al repartiției exponențiale f Y x e , x 0 ) . Avem:
x
y
x
M ˆ M Y x f Y x dx xe dx ye y dy 2 , deci e.v.m. ˆ este
1
0
0 0
n
Yk
D Y
n
D ˆ D Y D k 1 1
D Y n
P
nedeplasat. k
0, deci ˆ
n n2 k 1
K
x
x y
(estimatorul este consistent). Cum M 2 Y 1 x 2 e dx 2 y 2 e y dy 2 3
0 0
D Y 2 2 2 2 , iar ln f Y x, ln
x
, cum M Y D ˆ
n
1
I
, cǎci
ln f Y x, Y 1 1 1
I M 2 M 2 2 4 D Y 2 (estimatorul este eficient).
n
Xi
ii). L X 1 , X 2 ,..., X n , ln i 1 n
n
n X i ln n X i ln1 . Soluția
1 n Xi i 1 i 1
i 1
n n
ecuației de verosimilitate L Xi n Xi
determinǎ e.v.m. ˆ X cǎci
0 i 1
i 1
1
n n
X n Xi
Evident, M ˆ M X și
L ˆ
2 i
1 1
i 1 2 i 1
n 0.
2 1 2 1 X X
X
D X
D ˆ
n
, iar pentru calculul mediei și al dispersiei repartiției date vom utiliza o
g X t
t n 1 1 1 t 1 1
nN 1
funcție generatoare, de exemplu 1 n
1 t
1
1
1 1
not
X t G X t M e tX g X e t ; X t M e tX G X it
1 e 1
t
1 e it 1
et
deci M X GX 0 , deci estimatorul este nedeplasat. Similar ,
1 e t
1 2
t 0
e t 1 e t 1 2 e t
2
M 2 X G X t 2 2 D X 1 .Prin
1 e 1
t 3
t 0
M ˆ
urmare, estimatorul este absolut corect: ˆ 1
P
,deci consistent ˆ .
D 0
n
x
Calculul informației Fisher: f x, ln f x, X ln 1 X ln1
1 1 x
ln f x, X 1 X X D X 1
I M 2 2 sau
1 1 1 1
2
2 ln f x, X 1 X X 1 X M X 2M X 2 M X 1
I M
2
2
2
1 2
2
1 1
2 2
1
1
conduce la demonstrarea eficienței mediei de selecție: D ˆ
n
1
n I
x3
4.Estimaţi parametrul repartiţiei date prin F x 1 e , x 0 .
Soluţie:Cum prin metoda momentelor se obțin estimatori consistenți
x3
x3 x3 t k
3x 2 3 k
k
f x e , x 0 M k X x k 2 e dx t 3 e dt 3 1 mk
t *
0 0 3
3
*
3mk ~
ˆk k
k
. Pentru k=3, devine: m3* ,e.v.m. Funcţia de verosimilitate este:
k
3
1 n 3
3x 2 kn
3
x3 n n xk
1 n 3
L x1 , x2 ,..., xn ; ln k e ln xk2 e xk ...
k 1
n ln
k 1 k 1 k 1
L x1 , x2 ,..., xn ; n 1 n
2 xk3 soluţia ecuaţiei de verosimilitate este m3* .
~
k 1
Acest estimator este nu numai consistent, ci ṣi eficient.
n
X k3
M m3* M X k3 M 3 X 2
n
M k 1 1
Într-adevǎr n n k 1
, deci nedeplasat.
n
X k3
M X M X M X M X
3 2 3 2
D X 3
D m3* D X
n
D k 1 1 3
2 6 3
0
n n2 k 1
k
n n n
2 3 2 2
m3* (este estimator consistent). Mai mult, cum D m3
P
*
este
n n
1 ln f x,
suficient de demostrat cǎ I 2 . Dar, informația Fisher I M 2
1 X 1 D X
M 2 2 4 M 2 X 3
3 3
1
2 .
4
n
~ D Y
~ ~
și dispersiei v.a. Y X 3 , e.v.m. fiind Y M M Y , D
n
. Cum
3
x3
3
FY x P X , x P X x FX x f Y x
3 3
fX x
33 x 2
1
e 3 1
33 x 2 33 x 2
~
2n 2 n
Y exp M Y , D Y . Mai mult, cu ajutorul statisticii S
2
Yk
k 1
se poate determina un interval de ȋncredere cu probabilitate confidențialǎ 1 pentru
parametrul .
5.Se consideră populaţia a cărei caracteristică este dată prin v.a. X având funcţia de
1 3 x 2 x x 1 4 x
frecvenţă p x, 5 2 2 1 2 , x 1,2,3 şi 1, 52 .
3
a). Determinaţi estimatorul de verosimilitate maximă al lui .
b). Calculaţi estimaţia pentru selecţia de volum 10: x1 x7 x9 x10 3, x3 1 şi
xk 2, k 2,4,5,6,8 ; c). Determinaţi un estimator prin metoda momentelor.
n n
1 1 1
Soluţie: P x1 , x2 ,..., xn ; n 5 2 2 2
3 x k 2 x k x k 1 4 x k
k 1 1 k 1
3
L x1 , x2 ,..., xn ; n ln 3 6 5 X m2* ln 5 2 3 X 4 m2* ln 1
n n
2 2
L 6 5 X m2* 3 X 4 m2*
ecuaţia de verosimilitate 0 conducând la e.v.m.
5 2 2 2
3m* 5 X 8 1 4 3 5 2 1 4 9 5 4
* 2 X 2,3; m2* 5,7 ,
4 X 1 . În situaţia b). 10 10
3 5,7 5 2,3 8 13,6
deci 2,61 .
*
4 1,3 5,2
1 2 3
5 2 1 1 mk* 5 2 2 3 1 ~ X
k k
c). repartiţia v.a. X :
3
3 3 3
mk* 1
caz particular pentru ˆ 1 3
2k 3k 2
1. Presupunem că venitul anual al unui salariat bugetar ales la întâplare este o v.a.X cu
1
densitatea f x e ln x x0 , x x0 , unde x0 reprezintă venitul minim
2
x x0
garantat. Studiaţi proprietăţile estimatorului de verosimilitate maximă ale parametrului
şi construiţi un interval de încredere 95% pentru parametrul .
n
1 ln x k x0 2
Soluţie:
P x1 , x2 ,..., xn ; n n
e k 1
, deci ecuaţia de
xk x0
2
k 1
verosimilita-
n
te maximă
L n
0 2 ln xk x0 0 are ca soluţie e.v.m. ˆ ln X k x0
.
k 1 k 1
n
Considerând v.a. Y ln X x0 ˆ Y ,avem de analizat proprităţile mediei de selecţie a
unei populaţii caracterzată de v.a.Y. Dar FY x P ln X x0 x P X x0 e
x
FY x F x0 e x fY x e x f x0 e x
1 1 1
e x Y N , ˆ N ,
2
E
2 2n
vident M ˆ , D ˆ
1
2n
0 ,deci ˆ este un estimator absolut corect
ˆ
.
P
x e
k 1
k
k 1
n
1 n
L n 1 n
L x1 , x2 ,..., xn ; n ln 2 n ln ln xk x 2
2 xk2 . Soluţia
k 1 k 1
k
k 1
2L n 2 n 2
acestei ecuaţii este m2* , care este e.v. m. întrucât xk , deci
2 2 3 k 1
n
2 xk2
L * 2 n n
2
1 n
m2 n k 1* 0 . Statistica dată: S Yk , unde
2
* 2
m2
m2
m2* 2
k 1
2 2 x x
v.a.i. Yk X k . Cum FY x P Y x P X FX , avem succesiv:
2 2
1 x 2 1 x 2x
fY x f e Y exp 2 Y t 1 2it
1
2 2 x 2 2 2 x 2
10
2 xk2
S t 1 2it P 92, 0, 025 k 1 92, 0,975 0,95 I
n
S 22n
10 2 10
2 x k 2 xk2
unde I k21 , k21 . Cum
9 , 0 , 975 9, 0, 025
10
100 100
x
k 1
2
k 50, 92,0 ,025 2,7, 92, 0,975 19 I ,
19 2,7
.
x
2 x x x 1 2
Dar F2 x P Y x P Y FY f 2 x f Y e
Y 2 2
Y 2 2 2
x
1 2
f 2 x e 2 Y exp 2 2 t 1 2t S t 1 2t S 22n
1 n
Y 2
Y
Intervalul de ȋncredere cerut se va afla din P 2 S 2 1
2 n ,1
2n, 2 2
n n
2 n 2
2 ln X k 2 ln X k
I
ln X k ,
2 k 1
, k 1
k 1 2 2
2 n , 2 2 n ,1 2 2 n ,1 2 n,
2 2
Probleme de estimare
cu indicații
n 2 1
x2
x2 x2 y
Deci M U 1 x e 2 2 dt 2 x e 2 2 dx .
2
2
2 2 2 0
2. Determinaţi estimatorul de verosimilitate maximǎ cu ajutorul unei selecţii
1
X 1 , X 2 ,..., X n asupra unei repartiţii uniforme discrete p N k , k 1,2,..., N .
N
1
Ind : Funcţia de verosimilitate este: L k1 , k2 ,..., k n ; N , 1 max k1 ,..., k n N
Nn
Nˆ X 1 , X 2 ,..., X n max X 1 , X 2 ,..., X n , pentru cǎ dacǎ luǎm drept e.v.m. N̂ ,
atunci
1 1
Pˆ k1 , k 2 ,..., k n 0 , iar Nˆ Pˆ k1 , k 2 ,..., k n ˆ n ˆ n PNˆ k1 , k 2 ,..., kn .
N
3. Pentru o selecţie repetată de volum n extrasă dintr-o populaţie cu caracteristica
Pa , , determinaţi e.v.m. al lui a). cunoscând ; b). cunoscând ;c) estimaţi
ambii parametrii prin metoda momentelor (pentru 2 ).
1
n
n
Ind: f x; , 1
, x L x1 , x 2 ,..., x n ; , n
xk , x1 ,..., x n .
x k 1
L x1 , x 2 ,..., xn ; ,
1
n
a). n n 1 n x k , min xk funcţia de
k 1
n
ˆ
verosimilitate este crescătoare, deci e.v.m. ˆ min xk ; b).
n
.c).
ln x
k 1
k n ln
2
M X dx M 2 X 1 dx
x 1 ; x 2
x 1 1
x 2 2
X
1 2
1
D X 2
2 2 ,deci:
2 1 2 1 S 2 2
2 1 2
X2 ~ 1 S 1 S 2 X 2
S2 S S 2 X 2 ;~ X 1 ~ X
2 S S2 X 2
4. Estimați prim ambele metode, parametrii repartițiilor discrete i)
X Fs p p k p1 p , k N * , p 0,1 ; ii). Po c , c constantǎ datǎ.
k 1
1 1 1
Indicație:i). x
k
kx k 1 X Fs p M X ,deci, prin
k 0 1 x k 1 1 x 2
p
1 1
metoda momentelor X p pˆ X , care se dovedește a fi e.v.m.
k 1
e
k 1 !
pentru j 1
k 1
k 2 k 2
ii). M j X k j
e e 2 pentru j 2
k 1 k! k 1 k 2 !
3 k 3
e k 3! 3 pentru j 3
2
k 3
4 4 4 2 4 4 3 4
Cum D S
not
2
2 2
3
, unde 4 X i 4 , notând
n n n
M Yi 0 2 2
n 2 n 2 2
Yi X i m D Yi n S X i m n X m Yi nY
2 2 4 2
M Y i 1 i 1
4 i 4
n
2 n 1 n
Yi 4 Yi 2Y j2 Yi 4 Yi 2Y j2 2 3 Yi 2Y j2 Yi 4
i 1 i j n i 1 i j n i j i 1
n 2 M S 4 n 4 n n 1 4 n n 1 4 n 4 2 3n n 1 4 n 4
2 1
n n
2
3 4 n 1 4
1
n
D S 2 M 2 S 2 M 2 S 2 n 2 4 n 1 n 2 2
n n
n
1
n 2 24 n 1 3 n 3 . Deci
~ˆ M X M X , adicǎ ambii
4 M
n n n M s D X
M
2
D X
estimatori sunt nedeplasați, dar Dˆ D X ; D D s
~ 2
2 4 2
n n n
2 22
n n 1
, unde 2 D X , 4 M X M 4 X 4M 3 X 62 M 2 X
4
0 0 3
3
3m *
~
ˆ k k
k
, estimator consistent. Pentru k=3, devine: m3* ,e.v.m., estimator
k
3
P
care este nu numai consistent, ci ṣi eficient: nedeplasat și m3* ( consistent)
n n
X k3 X k3
M m M X k3 M 3 X 2 D m
n
M k 1 1 D k 1
*
3
n
n k 1 ;
*
3
n
M 2 X 3 M 2 X 3 M 6 X M 32 X D X 3
1 n
k
n 2 k 1
D X 3
n
n
n
0 ; D m *
3
2
n
. Este
1 ln f x,
suficient de demostrat cǎ I 2 .Dar, informația Fisher I M 2
1 X3 1
M 2 2 4 M 2 X 3
D X3
1
2 . Pentru calcaul mediei ṣi dispersiei e.v.m.
4
~
X 3
k
este suficient de calculat media ṣi dispersia v.a. Y X 3 , e.v.m. fiind
k 1
n
~
~ D Y
~ ~
Y M M Y , D
n
,iar cu ajutorul statisticii S
2n
2 n
Yk se
k 1
poate determina un interval de ȋncredere cu probabilitate confidențialǎ 1 pentru .
3
x f
x3
FY x P X x P X x FX
3 3 3
Y x 1
fX 3
x
1 33 x 2
e
33 x 2 33 x 2
Y exp M Y , D Y 2 .
6. Estimați prin cele douǎ metode, parametrii repartițiilor continue:
i). f x 2 xe x , x 0, 0 .
1
1 2
ii). f x x , x 0,1 , 0
7. Se consideră populaţia a cărei caracteristică este dată prin v.a. X având funcţia de
1 3 x 2 x x 1 4 x
frecvenţă p x, 5 2 2 1 2 , x 1,2,3 şi 1, 52 .
3
a). Determinaţi estimatorul de verosimilitate maximă al lui .
b). Calculaţi estimaţia pentru selecţia de volum 10: x1 x7 x9 x10 3, x3 1 şi
xk 2, k 2,4,5,6,8 ; c). Determinaţi un estimator prin metoda momentelor.
3m2* 5 X 8
n n
1 1
1
Ind: L x1 , x2 ,..., xn ; n 5 2 2 k 1 1 2 k 1
3 xk 2 xk xk 1 4 xk
*
3 4 X 1
1 43 5 2 1 4 9 5 4 3 5,7 5 2,3 8 13,6
X 2,3; m2* 5,7 * 2,61
10 10 4 1,3 5,2
1 2 3
1 1 mk* 5 2 2 3 1 ~ X
k k
c). repartiţia v.a. X : 5 2
3
3 3 3
mk* 1
caz particular pentru ˆ 1 3 .
2k 3k 2
8. Pentru a testa viteza de absorbţie pe piaţa a unui nou produs, firma producătoare pune
în vânzare prin 9 magazine loturi identice care se epuizează după cum urmează:
Magazin i 1 2 3 4 5 6 7 8 9
Nr de zile 51 54 49 50 50 48 49 50 49
Să se estimeze printr-un interval de incredere 95% dispersia numărului de zile în care se
epuizează produsul, cunoscând cuantilele 0, 025,8 2,18 , t0 , 05,8 2,306 ,
0, 025,10 3,25 , 0, 975,10 20,5 şi 0 , 975,8 17,5 .
Soluţie: Vom construi intervalul de încredere 95% pentru dispersia 2 a numărului de
48 3 49 3 50 51 54
zile în care se epuizează produsul. Avem: X 50 şi
9
50 48 2 3 50 49 2 51 50 2 54 50 2 n 1 s n 1 s
2 2
3. 2
2
s2 ,
8 2
n 1,1 2
n 1,
2
24 24
0,95 0,05 0,025;1 0,975 2 2 , 2 ,utilizând doar
2 2 0, 975;8 0, 025;8
prima şi ultima cuantilă dată.
8.(bis) Pentru a testa viteza de absorbţie pe piaţa a unui nou produs, firma producatoare
pune în vânzare prin 12 magazine loturi identice care se epuizează după cum urmează
Nr magazin 1 2 3 4 5 6 7 8 9 10 11 12
Nr zile 7 6 8 6 6 7 7 6 9 8 7 7
Să se estimeze printr-un interval de încredere 90% viteza cu care este absorbit pe piaţă
produsul, cunoscând cuantilele 0, 025,11 21,9 , t0,1,11 0,129 , t 0,95,11 2,201 ,
t0 ,95,12 2,179 şi t0 ,9 ,11 1,812 .