0 - Estimarea Statistica

5.
Estimarea parametrilor
unei populaţii (1)
1. Concepte fundamentale
 Populaţie
 Eşantion
 Sondaj aleator simplu
2. Estimatori. Proprietăţile estimatorilor
 Parametru. Estimator. Estimaţie
 Media de selecţia
Bibliografie: Elisabeta JABA, Statistica, ediţia a 3-a, Ed.

Economică, Bucureşti, 2002, cap. 10 şi cap. 11
1
5.1. Populaţie. Eşantion
 Populaţia
 ansamblul tuturor elementelor
 Volumul populaţiei se notează cu N
 Variabila de distribuţie a populaţiei este variabila X
 Eşantionul
 subansamblu de elemente extrase, după principiile
selecţiei, din populaţia pe care vrem să o cunoaştem
 Volumul eşantionului se notează cu n
 Variabila X este observată la nivelul eşantionului extras
din populaţie.
2
 Selecţia
 selecţia (extragerea) unităţilor eşantionului din
populaţie se poate realiza:
• în mod aleator, după jocul hazardului (principiul
selecţiei aleatoare);
• după un criteriu prestabilit (principiul selecţiei
raţionate).
3
 Sondajul aleator simplu
 Sondajul aleator simplu este un sondaj probabilistic.

 Fiecare individ din populaţie are o probabilitate egală
de a intra în eşantion.
 Se aplică, de regulă, când nu se cunoaşte structura
populaţiei în grupe tipice.
 Eşantionul este extras aleator, plecând de la o bază de
sondaj, adică de la o listă completă a indivizilor ce
compun populaţia studiată.
 Pentru extragerea aleatoare simplă a unui eşantion se
folosesc tabelele cu numere aleatoare sau programe
de generare a numerelor aleatoare.
4
Tabel cu numere aleatoare
 N=800
 n=40
 Selectăm:
003,364,720,
433,463,363,
109,592,470,
705, etc.
 Nu selectăm:
884, 919, 941,
etc. deoarece
N=800.
5
 Alte sondaje probabilistice

 Alte sondaje probabilistice sunt: sondajul aleator
sistematic sau mecanic, sondajul aleator stratificat,
sondajul aleator de cluster.
 Sondaje neprobabilistice
 În sondajele neprobabilistice nu se cunoaşte
probabilitatea tuturor eşantioanelor posibil de extras.
6
• În procesul de esantionare, din populaţia de volum N, se

pot extrage k eşantioane de volum n.
• Numărul de eşantioane care se pot extrage, diferă în

funcţie de metoda de eşantionare:
• în cazul eşantionării aleatoare nerepetate (schema
urnei fără revenire):
N!
k  C Nn 
n!( N  n)!
• în cazul eşantionării aleatoare repetate (schema urnei
cu revenire):
n
kN
7
Exemplu
 Dintr-o populație de volum  Eșantionare repetată

N=10, se pot extrage k  k=Nn =102=100 eșantioane
eșantioane de volum n=2.
 Câte eșantioane se pot
extrage?
 Eșantionare nerepetată
OBS: Într-un sondaj aleator simplu,
fiecare eşantion de volum n are N! 10!
 k  C Nn    45
aceeaşi probabilitate de a fi (N  n)!n ! 8!2!
extras.
eșantioane
8
5.2. Parametru. Estimator.
Estimaţie
 Parametrul (  )
 este o caracteristică fixă şi necunoscută a variabilei

X la nivelul populaţiei totale
 ex:
•  - media variabilei X la nivelul populaţiei
2
•  - dispersia variabilei X la nivelul populaţiei
• π - proporția unei categorii la nivelul populației
 Parametrul face obiectul procesului de estimare
9
Estimaţie
 Estimatorul ( ˆ )
 este o variabilă aleatoare (statistică) determinată

de totalitatea eşantioanelor posibile de volum n
care se pot extrage din populaţia de referinţă
 este definit ca o funcţie a variabilelor de selecţie

Xi , i=1, ..., n.
10
Estimaţie
 Pentru cele k eşantioane aleatoare posibil de extras,

rezultă structura de tip matrice de mai jos, în care fiecare
linie este un eşantion posibil de extras:
X1 X2 Xn
Eşantionul 1:  x11 x12 .... x1n 

 
Eşantionul 2:
 x21 x22 .... x2 n 
 ..............................
.....................  
x 
Eşantionul k:  k 1 xk 2 .... xkn 
11
Estimaţie
 Pentru fiecare coloană din matrice se defineşte o

variabilă aleatoare (care are ca valori posibile valorile
lui X pentru prima unitate din toate eşantioanele posibil
de extras)
 Variabilele Xi se numesc variabile aleatoare de

selecţie
 Variabilele aleatoare Xi sunt identic repartizate cu

variabila X (au aceeaşi lege de probabilitate) şi sunt
independente stochastic.
12
Estimaţie
 Estimatorul ( ˆ )
 este instrumentul principal care permite

estimarea unui parametru (aproximarea valorii
necunoscute).
 Un parametru este estimat prin intermediul unui

estimator, cu ajutorul unei estimaţii.
13
Estimaţie
 Estimatorul media de selecţie ( ̂ )
 Valorile acestei variabile aleatoare sunt mediile

tuturor eşantioanelor posibil de extras
ˆ : ( x1 , x2 , , xk )
14
Estimaţie
 Estimatorul varianţa de selecţie ( ˆ '2 )
 Valorile acestei variabile aleatoare sunt varianţele

tuturor eşantioanelor posibil de extras
ˆ ' : ( s ' , s ' , , s ' )

2 2
1
2
2
2
k
15
Estimaţie
 Estimatorul proporţia de selecţie ( ˆ )
 Valorile acestei variabile aleatoare sunt proporţiile

eşantioanelor posibil de extras
ˆ : ( p1 , p2 , , pk )
16
Estimaţie
 Estimaţia
 OBS: în practică, din cele k eşantioane de volum n posibil

de extras din populaţia de volum N, se observă un singur
eşantion.
 Pentru eşantionul observat vom cunoaşte:
• x - media variabilei X la nivelul eşantionului observat
• s 2 - dispersia variabilei X la nivelul eşantionului observat

• p – proporția unei categorii la nivelul eşantionului
17 observat
Estimaţie
 Estimaţia
 Media x este o valoare a v.a. ̂

 Media x este o estimaţie a parametrului μ
 Dispersia s '2 este o valoare a v.a. ˆ '2

 Dispersia s '2 este o estimaţie a parametrului σ2
 Proporția p este o valoare a v.a. ˆ

 Proporția p este o estimație a parametrului π.
18
Exemplu: Distribuţia de selecţie
a mediei
 Se dă o populaţie de 4 asistenţi din departamentul RU

care trebuie să actualizeze baza de date cu angajaţi. S-
a înregistrat numărul de erori făcute de fiecare asistent.
 Media populaţiei:
N 4
x3  2  1  4 10
i
 
i 1
  2,5
N 4 4
19
a mediei
 Abaterea standard a populaţiei:

N 4

 ix   2
 i 1
N
 Deci,
(3  2,5) 2  (2  2,5) 2  (1  2,5) 2  (4  2,5) 2

  1,12
4
20
a mediei
 Din populaţia de volum N=4 asistenţi, dorim să

extragem, cu revenire, eşantioane de câte 2 asistenţi.
 Câte eşantioane se pot extrage aleator cu revenire?
 Numărul de eşantioane posibil de extras cu revenire

este egal cu:
k  N n  42  16 esantioane
21
a mediei
 Medile pemtru toate cele k=16 eşantioane de volum n=2
extrase din populaţia de volum N=4:
22
a mediei
Media Nr. eşantioane
eşantionului
1 1
1,5 2
2 3
2,5 4
3 3
3,5 2
4 1
Total 16
 Media mediilor eşantioanelor:
1 1  1,5  2  2  3  2,5  4  3  3  3,5  2  4 1 40

M ( ˆ )    2,5
16 16
23
5.3. Proprietăţile estimatorilor
1. Nedeplasare
- un estimator este nedeplasat (fără biais) dacă media
sa este egală cu valoarea parametrului M (ˆ)  
- un estimator este deplasat dacă M (ˆ)  
24
2. Convergenţă în probabilitate
 Un estimator este convergent dacă varianţa
estimatorului tinde spre 0, atunci când volumul
eşantionului tinde spre 
lim V (ˆ)  0
n 
25
3. Eficienţa
- Estimatorul cu varianţa minimă este un estimator
eficient.
- Dintre doi estimatori nedeplasaţi posibili pentru un

parametru, estimatorul cu varianţa cea mai mică este
estimatorul mai eficient decât celălalt.
26
4. Convergenţa în repartiţie (teorema limită centrală)

 Această proprietate impune o condiţie de volum pentru
estimatorul transformat prin operaţia de standardizare:
~ ˆ  M ( ˆ )
ˆ 
V ( ˆ )
 Dacă volumul eşantionului creşte peste o anumită limită,
atunci v.a. obţinută prin standardizarea estimatorului
urmează o lege de repartiţie normală standard:
 ˆ  M (ˆ ) 
 n n 
rep
 Z ~ N (0,1)
 
 V (ˆ)
n  nN
27
5.3. Proprietăţile estimatorului media
de selecţie
 Proprietăţile estimatorului ̂
 Estimator nedeplasat: M (ˆ )  

 Estimator convergent în probabilitate şi în repartiţie
 2
V ( ˆ )   2ˆ   0, cand n  
n
 Pentru n suficient de mare, se poate aprecia că
ˆ  M ( ˆ ) ˆ  
Z  ~ N (0,1)
V ( ˆ ) 
n
 Estimator eficient (nedeplasat si convergent, are
28 varianta minima comparativ cu alti estimatori)
 Daca
X ~ N (  , X2 )  Z ~ N (0 ,1)
X 
Z

 Daca
ˆ ~ N (  , 2ˆ )  Z ~ N ( 0 ,1)
 X2
ˆ ~ N (  , )
n
ˆ   ˆ  
29 Z 
 ˆ X n
de selecţie
 Proprietăţile estimatorului ̂
 Abaterea medie pătratică a estimatorului ̂

2 
 ˆ  
n n
- Reprezintă eroarea medie de reprezentativitate

(Standard Error of Mean)
30
de selecţie
 Distribuţia estimatorului ̂
 Estimatorul media de selecţie are o distribuţie

2
normală ˆ ~ N (  , ) când:
n
• X~N (μ,σ2)
sau
• X≠N (μ,σ2), dar eşantioanele sunt de volum
suficient de mare
31
32
de selecţie
 Distribuţia estimatorului ̂
33
Exemplu - Distribuţia estimatorului ̂
 Exemplul 11.1
Elisabeta JABA, Statistica, ediţia a 3-a, Ed.
Economică, Bucureşti, 2002, pp. 293-296.
34
5.3. Proprietăţile estimatorului
varianţa de selecţie
 Proprietăţile estimatorului ̂ 2
 Estimator deplasat:  
M ˆ 2   2
(media estimatorului nu este egală cu parametrul)
 2
n 1 2
M ( ˆ )   
2 2
 
n n
35
varianţa de selecţie
Dispersia de selecţie modificată ̂ '

2

 Estimator nedeplasat M ( ˆ ' 2 )   2
 O valoare a acestui estimator este:

n
2
 ( xi  x )
s '  i 1
2
n 1
36
proporţia de selecţie
 Proprietăţile estimatorului ˆ
 Estimator nedeplasat: M (ˆ )  
 (1   )
 Estimator convergent: V (ˆ ) 
n
 Pentru n suficient de mare, se poate aprecia că
ˆ  
Z ~ N ( 0 ,1 )
(1 )
n
37
de selecţie
 Proprietăţile estimatorului ˆ
 Estimatorul proporţia de selecţie are o

distribuţie normală
 (1   )
ˆ ~ N ( , )
n
38
5. Estimarea parametrilor
unei populaţii (2)
1. Estimarea punctuală
 Definiţie
2. Estimarea prin interval de încredere
 Definire IC
 IC pentru media unei populaţii
 IC pentru proporţie
 Calculul volumului eşantionului
Bibliografie: Elisabeta JABA, Statistica, ediţia a 3-a, Ed.

Economică, Bucureşti, 2002, cap. 10 şi cap. 11
39
5.4. Estimarea parametrilor unei
populaţii
 Estimarea unui parametru θ
 Estimarea este un procedeu statistic prin care se află

valoarea unui parametru al unei populaţii pe baza
datelor înregistrate la nivelul unui eşantion extras din
populaţie.
 Estimarea se poate efectua sub formă de

 estimare punctuală
 estimare prin interval de încredere
40
5.4. Estimarea punctuală a unui
parametru
 Estimarea punctuală a unui parametru θ
 Estimarea punctuală presupune aflarea unei valori

posibile a estimatorului ˆ (un estimator nedeplasat şi
convergent).
• Media μ a populaţiei se poate estima punctual

prin media x obţinută la nivelul unui eşantion
41
5.4. Estimarea parametrilor unei
populaţii
populatiei
populatiei
a populatiei
populatiei
42
Parametru – Estimator – Estimaţie
5.4. Estimarea prin interval de
încredere a unui parametru
o Estimarea prin interval de încredere
o presupune aflarea limitelor de încredere ale unui

interval care, pentru o anumită probabilitate (1-α),
numită nivel de încredere, acoperă valoarea
adevărată a unui parametru.
P( Li    Ls )  ( 1   ) , unde   ( 0 ,1 )
 Estimarea prin interval de încredere se bazează pe

estimatorii nedeplasaţi şi convergenţi cărora li se
aplică teorema limită centrală.
44
5.4. Estimarea mediei prin interval de
încredere
 Estimarea prin IC a mediei μ
 Construirea IC se bazează pe proprietăţile

estimatorului parametrului μ.
2
ˆ ~ N (  , )  Z ~ N ( 0,1 )
n
ˆ  
unde Z 
/ n
45
încredere
 x
Pe baza mediei determinate la nivelul eşantionului
trebuie să determinăm limitele intervalului de
încredere care, cu o probabilitate 1   , acoperă
valoarea adevărată a parametrului  .
x
P( z / 2    z / 2 )  1  
/ n
46
încredere
47
încredere
x
P( z / 2    z / 2 )  1  
/ n
 
P( x  z / 2    x  z / 2 ) 1
n n
 
( Li  x  z / 2  )    ( Ls  x  z / 2  )
n n
 Cu o probabilitate (1   ) , parametrul μ este “acoperit” de
intervalul [Li ; Ls]
48
încredere
• Se cunoaşte parametrul 
 
( x  z / 2  )    ( x  z / 2  )
n n
49
încredere
Estimarea prin IC a mediei μ (α = 0,05)
(1   ) (1  0,05) 0,95
( z )     0,475 Tabelul
   z / 2  1,96
Laplace
2 2 2
z 0,06
1,9 0,475
50
încredere
(1  ) (1  0 ,10) 0 ,90
( z )     0 ,450     z  / 2  1,64
Tabelul Laplace
2 2 2
z 0,04
1,6 0,4495
-1,64 +1,64
51
52
încredere
• Νu se cunoaşte parametrul 
• Se utilizează estimatorul nedeplasat ˆ '2 şi
variabila Student:
ˆ  
t ~ t( n  1 )
ˆ
'
n
53
încredere
s' s'
( x  t / 2;n 1  )    ( x  t / 2;n 1  )
n n
2
 ( xi  x )
s' 
unde n 1 abaterea standard la
nivelul esantionului
54
încredere
Prob. 0,025
(n-1)
1
...
 1,96
55
încredere
56
încredere
• Precizia estimării creşte atunci când:
• volumul eşantionului (n) creşte.
• probabilitatea cu care se garantează rezultatele este

mai mică;
• varianţa eşantionului este mică (valorile aberante

afectează mărimea intervalului de încredere).
57
Exemplul 1a
 La nivelul unui eşantion format din 20 de persoane,
extras aleator simplu repetat, s-au obţinut următoarele
rezultate privind vârsta (ani):
x  32 ani
Se stie ca la nivelul populatiei,
  2 ani.
 Să se estimeze, prin interval de încredere, vârsta medie

a întregii populaţii din care a fost extras eşantionul,
considerând un risc de 0,05.
58
 
( x  z / 2  )    ( x  z / 2  )
n n
59
încredere
 Estimarea prin IC 95% a mediei μ
Cu o probabilitate de
 
( x  1,96  )    ( x  1,96  ) 95%, putem afirma ca
n n varsta medie la
2 2 nivelul populatiei
(32  1,96  )    (32  1,96  )
20 20 este acoperita de
2 intervalul [31,14;
(32  1,96  ) 32,86] ani.
20
(32  1,96  0 ,44)
(32  0 ,8624)
(32  0 ,8624)    (32  0 ,8624)
60 31,1376    32 ,8624
Exemplul 1b
x  32 ani
  2 ani.

61
încredere
  90%, putem afirma ca
( x  1,64  )    ( x  1,64  )
n n varsta medie la
(32  1,64  )    (32  1,64  ) este acoperita de
20 20 intervalul [31,28;
(32  1,64 
2
) 32,72] ani.
20
(32  1,64  0 ,44)
(32  0 ,7216)
(32  0 ,7216)    (32  0 ,7216)
62
31,2784    32 ,7216
Exemplul 1c
x  32 ani
  2 ani.

63
încredere
( x  1,96  )    ( x  1,96  )
n n varsta medie la
100 100
intervalul [31,61;
2 32,39] ani.
(32  1,96  )
100
(32  1,96  0 ,2)
(32  0 ,392)
(32  0 ,392)    (32  0 ,392)
64 31,61    32 ,39
Exemplul 1d
x  32 ani
 1 an.

65
încredere
( x  1,96  )    ( x  1,96  )
n n varsta medie la
20 20
intervalul [31,57;
1 32,43] ani.
(32  1,96  )
20
(32  1,96  0 ,22)
(32  0 ,4312)
(32  0 ,4312)    (32  0 ,4312)
66 31,57    32 ,43
Exemplul 2
x  32 ani; s'  2 ani.

67
s' s'
( x  t / 2;n1  )    ( x  t / 2;n1  )
n n
2
 ( xi  x )
• unde s' 
n 1
68
Exemplu
 Nu se cunoaşte σ, deci, în estimarea prin IC a mediei

populaţiei se foloseşte statistica t Student.
s'
 IC este ( x  t0.025;19  )
n
 Din Tabelul repartiţiei Student (Anexă) se citeşte

valoarea
 t0,025;20-1=2,093.
69
Valorile distribuţiei Student
v t0.1 t0.05 t0.025
1 3,078 6,314 12,706
2 1,886 2,920 4,303
3 1,638 2,353 3,82
... ... ... ...
19 2,093
∞ 1,96
70
Exemplu
 IC devine:
s' 2
( x  t0.025;19  )  (32  2,093  )
n 20
 (32  2,093  0,4472)  (32  0,936)  (31,064; 32,936)
Deci, 31,064    32,936

 Se poate garanta cu o probabilitate de 95% că vârsta
medie a populaţiei din care a fost extras eşantionul
este acoperită de intervalul (31; 33) ani.
 Există un risc de 5% ca valoarea mediei să se
găsească în afara limitelor IC.
71
95% din IC posibile acoperă valoarea mediei populaţiei.
72
Estimarea mediei prin IC
- Exemplu Excel
educatie
 X – Educatie (ani)
Mean 13.4916
Standard Error 0.1325
Median 12
x  13,49 ani Mode 12
Standard Deviation (s’) 2.8848
s'  2,88ani Sample Variance (s’2) 8.3223
Kurtosis -0.2650
n  474 angajati Skewness -0.1141
Range 13
2
 ( xi  x ) Minimum 8
s'  Maximum 21
n 1 Sum 6395
Count 474
Confidence Level (95.0%) 0.260372
73
- Exemplu Excel
educatie
Eroarea de reprezentativitate (Std. Error)
s' 2,8848 Mean 13.4916
  0,1325 Standard Error 0.1325
n 474 Median 12
Mode 12
Eroarea maxima admisibila Standard Deviation 2.8848
s' Sample Variance 8.3223
 ˆ  t / 2;n1  Kurtosis -0.2650
n Skewness -0.1141
s' Range 13
 ˆ  t0.025; 473  Minimum 8
n Maximum 21
Sum 6395
 ˆ  1,96  0.1325 Count 474
Confidence Level
 ˆ  0,26 (95.0%) 0.260372
74
- Exemplu Excel
educatie
 IC 95% al mediei
Mean 13.4916
s' s' Median 12
( x  t / 2;n1  )    ( x  t / 2;n1  ) Mode 12
n n Standard Deviation 2.8848
Sample Variance 8.3223
(13,49  0,26)    (13,49  0,26) Kurtosis -0.2650
13,23    13,75 Skewness -0.1141
Range 13
Se poate garanta cu o probabilitate de Minimum 8
95% că nivelul mediu de studii al populaţiei Maximum 21
din care a fost extras eşantionul este Sum 6395
acoperit de intervalul (13,23; 13,75) ani. Count 474
Confidence Level
(95.0%) 0.260372
75
- Exemplu Excel
educ
Eroarea maxima admisibila Mean 13.492
s'
 ˆ  t / 2;n1  Median 12
n Mode 12
Standard Deviation 2.885
s'
 ˆ  t0.05; 473  Sample Variance
Kurtosis
8.322
-0.265
n
Skewness -0.114
2.885
 ˆ  1,645 
Range 13
Minimum 8
474 Maximum 21
 ˆ  1,645  0.133 Sum 6395.000
Count 474.000
 ˆ  0,22 Confidence
Level(90.0%) 0.22
76
- Exemplu Excel
educ
Mean 13.492
( x   ) Median 12
Mode 12
( x   )    ( x   ) Standard Deviation 2.885
Sample Variance 8.322
(13,49  0,22)    (13,49  0,22) Kurtosis -0.265
13,27    13,71
Skewness -0.114
Range 13
Se poate garanta cu o probabilitate de Minimum 8
90% că nivelul mediu de studii al populaţiei Maximum 21
din care a fost extras eşantionul este Sum 6395.000
acoperit de intervalul (13,27; 13,71) ani. Count 474.000
Confidence
Level(90.0%) 0.22
77
- Exemplu SPSS
Descriptives
 X – Educatie (ani) Educational Level (years) Statistic
Std.
Error
Mean 13.49 0.133
Lower
13.23
95% Confidence Interval for Bound
Mean Upper
x  13 ,49 ani Bound
13.75
5% Trimmed Mean 13.48
s '  2 ,885 ani Median 12.00
Variance 8.322
n  474 angajati Std. Deviation 2.885
Minimum 8
Maximum 21
Range 13
Interquartile Range 3
Skewness -.114 .112
Kurtosis -.265 .224
78
- Exemplu SPSS
Descriptives
Std.
Educational Level (years) Statistic
Error
Mean 13.49 0.133
Eroarea de reprezentativitate Lower
13.23
95% Confidence Interval for Bound
(Std. Error) Mean Upper
13.75
Bound
s' 2,885
  0,133
5% Trimmed Mean 13.48
Median 12.00
n 474 Variance 8.322
Std. Deviation 2.885
Minimum 8
Maximum 21
Range 13
Interquartile Range 3
Skewness -.114 .112
Kurtosis -.265 .224
79
- Exemplu SPSS
Descriptives
 IC 95% al mediei Educational Level (years) Statistic
Std.
Error
s' Mean 13.49 0.133
( x  t / 2 ; n 1  ) Lower
13.23
n 95% Confidence Interval for Bound
Mean Upper
13.75
2 ,885 Bound
(13 ,49  t 0 ,025 ; 473  ) 5% Trimmed Mean 13.48
474 Median 12.00
(13 ,49  t 0 ,025 ; 473  0 ,133 ) Variance 8.322

Std. Deviation 2.885
(13 ,49  1,96  0 ,133 )
(13 ,49  0 ,26 ) Se poate garanta cu o probabilitate de 95% că
nivelul mediu de studii al populaţiei din care a fost
13 ,23    13 ,75 extras eşantionul este acoperit de intervalul
(13,23; 13,75) ani.
80
Estimarea prin IC a proporţiei
 Variabila proporţia de selecţie (estimatorul ˆ )

urmează o lege normală de distribuţie:
 (1   )
ˆ ~ N ( , )
n
 I.C. pentru proporţia unei populaţii (parametrul  )
este:
p  (1  p ) p  (1  p )
( p  t / 2  )    ( p  t / 2  )
n n
81
Estimarea prin IC a proporţiei
 .
82
Exemplu:
 În urma realizării unui sondaj electoral la nivelul unui
eşantion format din 1500 persoane, s-a constatat că
840 persoane au votat pentru candidatul A. Să se
estimeze prin interval de încredere proporţia
persoanelor care votează pentru candidatul A la nivelul
întregii populaţii, considerând un risc de 0,05.
83
Exemplu:
- proporţia persoanelor care au votat pentru candidatul A,

la nivelul eşantionului, este:
- p=840/1500=0,56.
- I.C. 95% se calculează astfel: p  
p  (1  p ) 0 ,56  (1  0 ,56)
( p  t / 2  )  0 ,56  1,96   (0 ,53; 0 ,59)
n 1500
t / 2;( n1)  t0 ,025;1499  1,96
Cu o probabilitate de 95%, putem
afirma că proporţia persoanelor care
Deci , 0 ,53    0 ,59 au votat candidatul A este acoperită de
sau 53%    59% intervalul (53%; 59%).
84
(1   ) 0 ,97
( z )    0 ,485     z / 2 ,  2 ,17
Tabelul Laplace
2 2
 
( x  2.17  )    ( x  2.17  )
x   : n n
2
(8.5  2.17  )
900
2
(8.5  2.17  )  (8.5  0.145)
30
(8.5  0.145;8.5  0.145)
(8,355;8,645)
8,355    8,645
85
IC 97% : [8,355; 8,645]
  10%   / 2  5%
p=proportia la nivelul esantionului

p=250/400=0.625
p  (1  p ) 0 ,625  (1  0 ,625)
( p  t / 2  )  0 ,625  1,645 
p   : n 400
 0.625  0.04  (0 ,58; 0 ,66)
t / 2;( n1)  t0 ,05;399  1,645
Deci , 0 ,58    0 ,66

sau 58%    66%
86 IC 90% : [58%; 66%]

0 - Estimarea Statistica

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

0 - Estimarea Statistica

Încărcat de

Drepturi de autor:

Formate disponibile

5.

Bibliografie: Elisabeta JABA, Statistica, ediţia a 3-a, Ed.

 Sondajul aleator simplu

 Sondajul aleator simplu este un sondaj probabilistic.

 Alte sondaje probabilistice

• În procesul de esantionare, din populaţia de volum N, se

• Numărul de eşantioane care se pot extrage, diferă în

 Dintr-o populație de volum  Eșantionare repetată

 este o caracteristică fixă şi necunoscută a variabilei

 Parametrul face obiectul procesului de estimare

 este o variabilă aleatoare (statistică) determinată

 este definit ca o funcţie a variabilelor de selecţie

 Pentru cele k eşantioane aleatoare posibil de extras,

Eşantionul 1:  x11 x12 .... x1n 

 Pentru fiecare coloană din matrice se defineşte o

 Variabilele Xi se numesc variabile aleatoare de

 Variabilele aleatoare Xi sunt identic repartizate cu

 este instrumentul principal care permite

 Un parametru este estimat prin intermediul unui

 Estimatorul media de selecţie ( ̂ )

 Valorile acestei variabile aleatoare sunt mediile

 Estimatorul varianţa de selecţie ( ˆ '2 )

 Valorile acestei variabile aleatoare sunt varianţele

ˆ ' : ( s ' , s ' , , s ' )

 Estimatorul proporţia de selecţie ( ˆ )

 Valorile acestei variabile aleatoare sunt proporţiile

 OBS: în practică, din cele k eşantioane de volum n posibil

 Pentru eşantionul observat vom cunoaşte:

• x - media variabilei X la nivelul eşantionului observat

• s 2 - dispersia variabilei X la nivelul eşantionului observat

 Media x este o valoare a v.a. ̂

 Dispersia s '2 este o valoare a v.a. ˆ '2

 Proporția p este o valoare a v.a. ˆ

 Se dă o populaţie de 4 asistenţi din departamentul RU

 Abaterea standard a populaţiei:

(3  2,5) 2  (2  2,5) 2  (1  2,5) 2  (4  2,5) 2

 Din populaţia de volum N=4 asistenţi, dorim să

 Câte eşantioane se pot extrage aleator cu revenire?

 Numărul de eşantioane posibil de extras cu revenire

 Media mediilor eşantioanelor:

1 1  1,5  2  2  3  2,5  4  3  3  3,5  2  4 1 40

- un estimator este deplasat dacă M (ˆ)  

- Dintre doi estimatori nedeplasaţi posibili pentru un

4. Convergenţa în repartiţie (teorema limită centrală)

 Estimator nedeplasat: M (ˆ )  

 Abaterea medie pătratică a estimatorului ̂

- Reprezintă eroarea medie de reprezentativitate

 Estimatorul media de selecţie are o distribuţie

Dispersia de selecţie modificată ̂ '

 Estimator nedeplasat M ( ˆ ' 2 )   2

 O valoare a acestui estimator este:

 Pentru n suficient de mare, se poate aprecia că

 Estimatorul proporţia de selecţie are o

Bibliografie: Elisabeta JABA, Statistica, ediţia a 3-a, Ed.

 Estimarea unui parametru θ

 Estimarea este un procedeu statistic prin care se află

 Estimarea se poate efectua sub formă de

 Estimarea punctuală a unui parametru θ

 Estimarea punctuală presupune aflarea unei valori

• Media μ a populaţiei se poate estima punctual

o Estimarea prin interval de încredere

o presupune aflarea limitelor de încredere ale unui

 Estimarea prin interval de încredere se bazează pe