Documente Academic
Documente Profesional
Documente Cultură
Statistic A
Statistic A
CAPITOLUL 1.
Conţinut :
1.1 Eveninente
1.2 Probabilităţile evenimentelor
1.3 Probabilităţile condiţionate ale evenimentelor
1.4 Rezumat
1.5 Întrebări
1.6 Bibliografie
1.1. Evenimente
Un experiment este aleator dacă rezultatele sale nu pot fi prevăzute cu exactitate, fiind
sub influenţa întâmplării.
Exemple:
1) Apariţia unei feţe la aruncarea monezii;
2) Apariţia unei feţe la aruncarea zarului;
3) Apariţia unei bile albe la extragerea din urnă cu bile albe şi negre.
Totalitatea rezultatelor posibile ale unui experiment aleator se numeşte spaţiu de
evenimente elementare şi se notează cu Ω.
Mulţimea părţilor (submulţimilor) lui Ω se notează cu P(Ω).
Exemple:
1) La aruncarea monezii avem Ω = {stemă, ban};
2) La aruncarea zarului avem Ω = {1, 2, 3, 4, 5, 6};
Dacă mulţimea Ω este finită sau numărabilă (şir), orice submulţime A Ω se numeşte
eveniment.
Dacă mulţimea Ω este nenumărabilă (de exemplu Ω = R), vom numi evenimente
numai submulţimile A Ω a căror familie formează o σ – algebră K P(Ω) care se
defineşte prin condiţiile:
1) Ω К
2) Ai К pentru i I Ai
iI
3) A К CA К
CA se numeşte eveniment contrar cu A şi se mai notează cu Ā.
Exemplu: Dacă A = “apariţia unei feţe pare la aruncarea zarului” atunci CA = “
apariţia unei feţe impare la aruncarea zarului”.
Ω ca eveniment, se numeşte evenimentul sigur iar CΩ = Ø se numeşte evenimentul
imposibil.
11
Teorema 1.1.
Avem proprietăţile:
1) P(Ā) = 1 – P(A) pentru orice A К;
2) P(A1 … An) = [P(A1) + … + (An)] - [P(A1 A2) + … + P(An-1 An)] +… +
(-1)nP(A1 … An) pentru orice evenimente A1, …, AnК
3) 0 < P(A) < 1 pentru orice A К; P(Ø) = 0; P(Ω) = 1
4) P(A1 … An) > P(A1) + … + (An) – n + 1 (Boole)
Demonstraţie
1) A Ā = Ø şi A Ā = Ω deci P(A Ā) = P(Ω) = 1
deci conform axiomei 2) din definiţia probabilităţii :
P(A) + P(Ā) = 1 deci P(Ā) = 1 – P(A)
2) Vom demonstra egalitatea pentru n = 2 şi apoi aplicăm inductia după n.
13
Soluţie
a) Fie A1 evenimentul că iese o faţă dată pe primul zar şi A2 evenimentul că iese
aceeaşi faţă pe al II-lea zar. Evenimentele A1, A2 sunt independente deci P1 = P(A1 A2) =
1 1 1
P(A1) P(A2) = ;
6 6 36
b) Avem 2 = 1 + 1; 3 = 1 + 2 = 2 + 1; 4 = 1 + 3 = 2 + 2 = 3 + 1 deci conform
6 1
definiţiei clasice a probabilităţii avem P2 = ;
36 6
7
c) Avem 3 = 1 . 3 = 3 . 1; 4 = 1 . 4 = 2 . 2 = 4 . 1; 5 = 1 . 5 = 5 . 1 deci P3 = .
36
3) Se dau două urne U1 cu 7 bile albe şi 3 bile negre şi U2 cu 4 bile albe şi 6 bile negre.
Se extrage câte o bilă din fiecare urnă.
Se cere:
a) Probabilitatea P1 ca ambele bile să fie albe;
b) Probabilitatea P2 ca bilele să fie de aceeaşi culoare;
c) Probabilitatea P3 ca bilele să fie de culori diferite.
Soluţie
a) Fie evenimentele: A1 = “apariţia unei bile albe din urna U1” şi A2 = “apariţia unei
bile albe din urna U2”. Evenimentele A1 şi A2 sunt independente deci: P1 = P(A1 A2) =
7 4
P(A1) . P(A2) = 28% ;
10 10
b) Evenimentele A1 A2 şi Ā1 Ā2 sunt incompatibile deci
P2 = P[(A1 A2) (Ā1 Ā2)] = P(A1 A2) + P(Ā1 Ā2) + P(A1) . P(A2) + + P(Ā1) .
7 4 3 6
P(Ā2) = 46%
10 10 10 10
c) P3 = 1 – P2 = 54%
4) Două becuri au probabilităţile de nedefectare :
P(A1) = 0.8; P(A2) = 0.9
Se cere:
a) Probabilitatea P1 ca prin circuitul serie al celor 2 becuri să treacă curentul;
b) Probabilitatea P2 ca prin circuitul paralel al celor 2 becuri să treacă curentul.
Soluţie
Evenimentele A1, A2 sunt compatibile şi independente.
a) P1 = P(A1 A2) = P(A1) . P(A2) = 0.8 x 0.9 = 72%;
b) P2 = P(A1 A2) = P(A1) + P(A2) – P(A1) . P(A2) = 0.8 + 0.9 – 0.72 = 98%
5) Doi ochitori lovesc o ţintă cu probabilităţile P(A1) = 0.7; P(A2) = 0.8
Se cere:
a) Probabilitatea P1 a lovirii ţintei dacă trag simultan amândoi asupra ei;
b) Probabilitatea P2 a lovirii ţintei dacă primul ochitor execută două focuri succesive
asupra ei;
c) Probabilitatea P3 a lovirii ţintei dacă al II-lea ochitor execută două focuri succesive
asupra ei.
Soluţie
A1, A2 sunt evenimente compatibile şi independente.
a) P1 = P(A1 A2) = P(A1) + P(A2) – P(A1) . P(A2) = 0.7 + 0.8 – 0.7 . 0.8 = 94%;
b) P2 = P(A1 A1) = P(A1) + P(A1) – (PA1) . P(A1) = 0.7 + 0.7 – 0.7 . 0.7 = 91%;
15
c) P3 = P(A2 A2) = P(A2) + P(A2) – P(A2) . P(A2) = 0.8 + 0.8 – 0.8 . 0.8 = 96%.
6) Un soi de grâu îndeplineşte condiţiile de calitate cu probabilităţile: P(MMB
standard) = 0.96; P(putere de germinare standard) = 0.97; P(umiditate standard) = 0.92
Se cere probabilitatea îndeplinirii standardelor pentru cele trei condiţii.
Soluţie. Condiţiile din enunţ sunt dependente deci P(A1 A2 A3) > P(A1) + P(A2) +
P(A3) – 3 + 1 = 0.96 + 0.97 + 0.92 – 2 = 0.85 = 85%.
Raportul
P A1 A 2 se numeşte probabilitatea lui A2 condiţionată de A1 şi se
P A 1
notează PA1(A2) sau P(A2/A1).
Observăm că dacă A1 şi A2 sunt independente, avem :
P(A1 A2) = P(A1) . P(A2) deci P(A2) = P(A2).
De asemenea dacă A1 implică pe A2 (A1 A2) atunci A1 A2 = A1 deci P(A1 A2)
= PA1) aşa că PA1(A2) = 1.
Relaţia de definiţie P(A1 A2) = P(A1) . PA1(A2)
se extinde prin inductie după n:
P(A1 … An) = P(A1) . PA1(A2) . . . PA1 … An-1(An) (5)
Exemple
1) La o tombolă sunt 50 bilete din care 5 sunt câştigătoare. O persoană cumpără 3
bilete. Care este probabilitatea ca nici unul să nu fie câştigător?
Soluţie. Fie evenimentele Ai = “biletul la extragerea Nr.i a ieşit necâştigător” (i =
1,2,3).
Relaţia (5) se scrie:
45 44 43
P(A1 A2 A3) = P(A1) . PA1(A2) . PA1 A2(A3) = 72.7%
50 49 48
2) O urnă conţine 12 bile albe şi 8 bile negre.
Se extrag succesiv din urnă 3 bile cu bila nerevenită. Care este probabilitatea ca bilele
extrase să fie în ordine: albă, neagră, albă?
Soluţie. Fie evenimentul A1 = “prima bilă extrasă este neagră”; A2 = ” a doua bilä
extrasä este neagrä”; A3 = “a treia bilă extrasă este albă”.
Relaţia (5) se scrie:
12 8 11
P(A1 A2 A3) = P(A1) . PA1(A2) . PA1 A2(A3) = 15.4%
20 19 18
3) Se dau urnele U1 cu 12 bile albe şi 8 bile negre, U2 cu 10 bile albe şi 10 bile negre şi
U3 cu 6 bile albe şi 14 bile negre.
a) Se extrage o bilă dintr-o urnă. Care este probabilitatea ca ea să fie albă?
b) Se extrage o bilă dintr-o urnă şi se constată că este albă. Din ce urnă provine bila
extrasă?
Soluţie
Fie evenimentele Ai = “bila extrasă provine din urna Ui” (i = 1,2,3) şi B = “bila extrasă
este albă”.
a) Relaţia (6) se poate scrie:
P(B) = P(A1) . PA1(B) + P(A2) . PA2(B) + P(A3) . PA3(B) =
1 12 1 10 1 6 12 10 6 28
= 46.7%
3 20 3 20 3 20 60 60 60 60
b) Relaţia (7) se scrie pentru j = 1:
P(A1 ) PA1 (B)
12 28 12
PB (A1 ) : 42.8%
P(B) 60 60 28
10 6
Analog PB(A2) = 35.7 % ; PB(A3) = 21.5%
28 28
Deci este mai probabil că bila albă extrasă să provină din urna U1.
4) Se dau urnele U1 cu 12 bile albe şi 8 bile negre şi U2 cu 6 bile albe şi 14 bile negre.
Din U1 în U2 se transferă o bilă apoi se extrage o bilă din U2.
a) Care este probabilitatea ca bila extrasă din U2 să fie albă?
b) Ştiind că bila extrasă din U2 a fost albă, ce culoare avea bila transferată?
Soluţie. Fie evenimentele A1 = “bila transferată din U1 în U2 a fost albă”, A2 = “bila
transferată din U1 în U2 a fost neagră”; B = “bila extrasă din U2 este albă”.
a) Relaţia (6) pentru n = 3 se scrie:
P(B) = P(A1) . PA1(B) + P(A2) . PA2(B) =
17
12 7 8 6 84 48 132
= 31.4%
20 21 20 21 420 420 420
b) Relaţia (7) pentru j = 1 se scrie:
P(A1 ) PA1 (B) 84 132 84
PB(A1) = : 63.6%
P(B) 420 420 132
48
Analog PB(A2) = 36.4% deci este mai probabil că bila transferată din U1 în
132
U2 a fost albă.
5) Trei boli la bovine au probabilităţile P(A1) = 0.45; P(A2) = 0.36; P(A3) = 0.19
Aceste boli modifică un parametru sanguin cu probabilităţile PA1(B)=0.23;
PA2(B)=0.41; PA3(B)=0.75
a) Care este probabilitatea ca o vacă bolnavă de una din cele trei boli să aibă
parametrul sanguin modificat?
b) La o vacă se constată că parametrul sanguin este modificat de una din cele trei
boli. Care din boli a provocat modificarea?
Soluţie
Fie evenimentele Ai = “vaca s-a îmbolnăvit de boala cu nr. i” (i = 1,2,3); B = “vaca are
parametrul sanguin modificat”.
a) Conform relaţiei (6) pentru n = 3 avem:
P(B) = P(A1) . PA1(B) + P(A2) . PB(A2) + P(A3) . PA3(B) = 0.45 . 0.23 + 0.36 . 0.41 +
.
0.19 0.75 = 0.1035 + 0.1476 +0.1425 = 39.36%
b) Relaţia (7) pentru j = 1 devine:
P(A1 ) PA1 (B) 0.1035
PB (A1 ) 26.3%
P(B) 0.3936
0.1476 0.1425
Analog PB(A2) = 37.5% ; PB(A3) = 36.2% deci este
0.3936 0.3936
mai probabil că boala nr. 2 a modificat parametrul sanguin.
1.4 Rezumat
În acest capitol se prezintă definiţia unui eveniment , clasificarea evenimentelor şi exemple,
definiţia axiomatică şi clasică a probabilităţii , definiţia probabilităţii condiţionate , formulele
probabilităţii totale şi Bayes .
1.5 Întrebări
1. Ce este un eveniment şi ce operaţii se fac cu evenimente ?
2. Care este definiţia clasică a probabilităţii şi ce proprietîţi are probabilitatea ?
3. Cum se aplică formula probabilităţii totale şi formula Bayes la diagnosticul bolilor la
animale ?
1.6 Bibliografie
1.D.Ene , M.Drăghici, I.N. Alecu “ Statistică aplicată în agricultură “ Ed.Ceres,2003
2.M.Iosifescu şi col. “ Mică enciclopedie de statistică “ Ed.Ştiinţif.şi Enciclop,,1985
3. Anuarul statistic al României , 1990 -2003
18
CAPITOLUL 2.
Conţinut :
O variabilă aleatoare este o funcţie X: ΩR astfel că {ω / X(ω) B}К pentru orice
mulţime boreliană B P(R).Dacă mulţimea valorilor variabilei aleatoare X este numărabilă
(şir finit sau infinit): x1, x2, …, xn, … atunci {X = xi} sunt evenimente şi cunoaşterea lui P(X
= xi) = f(xi) (i =1,2,3,…) permite calculul lui P(X B) = f(xi) unde însumarea se face după
valorile lui i pentru care xi B.
Funcţia xi f(xi) (i N) se numeşte densitatea de probabilitate a variabilei aleatoare
X.
Avem:
1 P() f(x i )
iN
Dacă mulţimea valorilor variabilei aleatoare X este nenumărabilă, densitatea de
b
probabilitate este o funcţie reală f(x) > 0 astfel că P(a < X < b) = = f(x)dx
a
19
În particular 1 P( X ) f(x)dx
În acest caz P(X B) f(x)dx
B
Observăm că orice constantă a R este formal o variabilă aleatoare X cu valoarea a şi
P(X = a) = 1.
O variabilă aleatoare cu mulţimea valorilor numărabilă se numeşte discontinuă iar o
variabilă aleatoare cu mulţimea valorilor nenumărabilă se numeşte continuă.
Exemple de variabile aleatoare discontinue
1) Cu codificarea 1 = “stema”, 0 = “banul”, variabila aleatoare X: 0 1
½ ½
este asociată aruncării unei monezi;
2) La aruncarea unui zar avem variabila aleatoare X: 1 2 3 4 5 6
1/6 1/6 1/6 1/6 1/6 1/6
aleatoare X: 0 1 2
9/25 12/25 4/25
Variabilele de la punctele 1) şi 2) se numesc uniforme deoarece toate valorile au
aceeaşi probabilitate (densitatea de probabilitate este funcţie constantă) iar variabila de la
punctul 3) nu este uniformă.
mx, x [2;4]
4) Fie funcţia f(x)
0 in rest
f(x) este densitatea de probabilitate a unei variabile aleatoare continue dacă
2 2
4 4 2
f(x) 1 şi f(x, y) 0 deci mxdx 1 sau mxdx 1 adică m. 1
- 2 2
1
deci m . Este vizibil că f(x) > 0.
6
Funcţia reală F(x) = P(X < x) se numeşte funcţia de repartiţie a variabilei aleatoare X.
lim F(x n ) 0 .
x n
Relaţia lim F(x n ) 1 se demonstrează în mod analog.
x n
2) Fie şirul crescător xn cu limita x0.
Fie evenimentele A = “X < x0”; A0 = “X < x1”; An = “xn < X < xn+1” (nN).
Avem Ai Aj = Ø pentru i j şi A = A0 A1 A2 … An … deci
P(A) = P(A0) + P(A1) + … + P(An) + …
adică F(x0) = F(x1) + [F(x2) – F(x1)] + … + [F(xn) – F(xn-1)] + …
adică F(x0) = lim F(x n ) deci F este continuă la stânga în x0.
xn x0
3) Fie evenimentele A = “X < x1”; B = “X < x2”.
Cum x1 < x2 rezultă A B deci P(A) < P(B) aşa că F(x1) < F(x2) deci F este
crescătoare.
4) Fie evenimentele A = “X < a”;B = “X < b”;C = “a < X < b”. Avem A C = Ø şi A
C = B deci P(B) = P(A) + P(C) sau F(b) = F(a) + P(a < X < b).
Punând în această relaţie a = x0, b = x0 + ΔX avem P(x0 < X < x0 + ΔX) =
= F(x0 + Δx) – F(x0).
Cum F(x) este continuă la stânga, pentru ΔX 0 egalitatea precedentă devine: P(X =
x0) = 0.
În particular P(X = b) = 0 şi cum evenimentele a < X < b şi X = b sunt compatibile,
putem scrie P(a < X < b) = P(a < X < b) + P(X = b) =
= F(b) – F(a) + 0 = F(b) – F(a)
În fine P(X < b) = F(b) - lim F(x) = F(b) – 0 = F(b)
x
şi P(a < X) = 1 – P(X < a) = 1 – F(a) Q.E.D.
x 1 ,........x n
Dacă X este variabilă aleatoare discontinuă cu repartiţia , ea are
p
1 ,.......p n
funcţia de repartiţie :
0 ,x < x1
P1 ,x1 < x < x2
F(x) = ………………..
P1 + … + pn-1, xn-1 < x < xn
1 , xn < x
f(x)
F(x)
x
0 x
Exemple
1) Pentru variabila aleatoare discontinuă X cu repartiţia :
1 2 4 6 10
X: ave avem densitatea de probabilitate:
0.11 0.42 0.30 0.07 0.10
0.11 ,x=1
0.42 ,x=2
f(x) = 0.30 ,x=4
0.07 ,x=6
0.10 , x = 10 0 ,x<1
0 în rest 0.11 ,1<x<2
0.53 ,2<x<4
şi funcţia de repartiţie: F(x) = 0.83 ,4<x<6
0.90 , 6 < x < 10
1 , 10 < x
Avem P(1.5 < X < 7.4) = F(7.4) – F(1.5) = 0.90 – 0.11 = 69%
P(X < 5.8) = F(5.8) = 83%; F(3.4 < X) = 1 – F(3.4) = 1 – 0.53 = 47%
2) Pentru variabila aleatoare continuă X cu densitatea de probabilitate :
x x
, x 2; 4
f(x) 6 avem funcţia de repartiţie F(x) f(t)dt
0 în rest
x
Pentru x < 2 avem F(x) 0dt 0
x x
t t 1
Pentru 2 < x < 4 avem F(x) dt dt (x 2 4) iar pentru
6 2 6 12
x 4
t t
x > 4 avem dt dt 1
6 2 6
22
1
P(2.3 < X < 3.6) = F(3.6) – F(2.3) = [(3.62 4) (2.32 4)] 63.9% ;
12
1 2
P(X < 3) = F(3) = (3 4) 42.7%
12
1
P(2.5 < X) = 1 – F(2.5) = 1 - (2.52 4) 81.2%
12
Două variabilele aleatoare X1, X2 se numesc independente dacă
P(X1 B1 şi X2 B2) = P(X1 B1) . P(X2 B2)
În particular dacă X1, X2 sunt variabile aleatoare discontinue, X1, X2 sunt
independente dacă pentru orice x1, x2 R evenimentele “X1 = x1” şi X2 = x2” sunt
independente adică P(X1 = x1 şi X2 = x2) = P(X1 = x1) . P(X2 = x2)
Exemple
1) Aruncarea a două monezi sau zaruri care nu se ciocnesc, dau naştere la variabile
aleatoare independente;
2) Extragerea a câte unei bile albe din două urne dau naştere la variabile aleatoare
independente.
Între variabilele aleatoare independente se fac operaţiile aritmetice obişnuite.
Fie de exemplu variabilele aleatoare discontinue independente X şi Y cu repartiţiile
x1 , ______ x m y1 , ______ y n
X : ; Y :
p1 , ______ p m q1 , ______ q n
i 1, .... m
deci rij = P(X = xi şi Y = yj) = P(P(X = xi) . P(Y = yj) = pi . qj
j 1, .... n
a
Dacă a R, avem variabila aleatoare constantă a :
1
Vom avea variabilele aleatoare cu repartiţiile
xi a ax i X x i /a
X ; aX : ; : (a 0)
ip p
i a p
xa xi y j
X a : i respectiv X Y: ;
p pi q j
i
xi y j X x i /y j
X Y : ; : (yj 0)
p .q Y pi .q j
i j
Dacă X este variabilă aleatoare continuă cu densitatea de probabilitate f(x), atunci se
arată că variabila aleatoare Y = φ(X) unde φ este o funcţie bijectivă şi derivabilă, va avea
densitatea de probabilitate:
g(y) = f[φ-1(y)] . [ 1 (y) ]'
Exemplu
Se dă variabila aleatoare X cu densitatea de probabilitate :
x
f(x) = , x [0, 2]
2
0 , în rest
23
lny 1
b) Y e4X 1 (y) ; [ -1 (y)]' aşa că :
4 4y
lny
, y [1; e8 ]
g(y) = 32y
0 , în rest
e 2y - e y
, y [0; ln3]
g(y) = 2
0 , în rest
x i
Dacă X este discontinuă cu repartiţia X : (i N) atunci
pi
M(X) = xp
iN
i i
1
2) Mediana Me(X) este definită de relaţia: F(Me)
2
V(X) = [x i - M(X)]2 pi
iN
Observăm că eroarea pătratică totală :
SPA(x) = (x x i ) 2 pi este minimă pentru x = M(X) şi are valoarea minimă
i N
V(X).
5) Abaterea standard σ (X) =
V(X)
σ(X)
6) Coeficientul de variaţie c(X) = 100 (%)
M(X)
Exemple
1) Pentru variabila aleatoare discontinuă X cu repartiţia
1 2 4 6 10
X : avem
0.11 0.42 0.30 0.07 0.10
M(X) = 1 x 0.11 + 2 x 0.42 + 4 x 0.30 + 6 x 0.07 + 10 x 0.10 = 3.57
Me(X) = 4; Mo(X) = 2
V(X) = (1 – 3.57)2 x 0.11 + (2 – 3.57)2 x 0.42 + (4 – 3.57)2 x 0.30 +
+ (6 – 3.57)2 x 0.07 + (10 – 3.57)2 x 0.10 = 6.3651
σ (X) = 6.3651 2.52
2.52
c(X) = 70.6%
3.57
2) Pentru variabila aleatoare continuă X cu densitatea de probabilitate :
x
, x [2; 4]
f(x) = 6 avem :
0 , în rest
4 4
x 1 2 x3 4 1 3
M(X) = xf(x)dx x
2 6 dx x dx 2 (4 23 ) 3.11
62 18 18
x2 4
F(x) = pentru x [2; 4] deci
12
x2 4 1
Me(X) 10 3.16; Mo(X) 4 căci f(x) este crescătoare .
12 2
V(X)=
4 4
2 x 1 3 2 2 2
[x M(X)] f(x)dx 2 (x 3.11) 6 dx 6 2 (x 6.22x 3.11 x)
1 x4 x3 2
2 x 4
6.22 11 0.6543; σ(X) 0.6543 0.81
6 4 3 2 2
25
0.81
c(X) = 26%
3.11
Proprietăţile mediei M(X) în raport cu operaţiile cu variabile aleatoare, sunt date de:
Teorema 2.2
Avem proprietăţile:
1) M(a) = a
2) M(X + a) = M(X) + a
3) M(aX) = aM(X)
4) M(X + Y) = M(X) + M(Y)
5) Dacă X, Y sunt independente, avem :
M(X . Y) = M(X) . M(Y)
Demonstraţie
Relaţiile rezultă prin calcul direct pentru variabile discontinue :
x ... x m y ... yn
X : 1 ; Y : 1 şi se generalizează pentru variabile continue
p1 ... p m q1 ... q n
folosind liniaritatea integralelor Q.E.D.
Proprietăţile variantei V(X) în raport cu operaţiile cu variabile aleatoare sunt date de:
Teorema 2.3
Avem proprietăţile:
1) V(a) = 0
2) V(X + a) = V(X)
3) V(aX) = a2V(X)
4) V(X) = M(X2) – M2(X)
5) X, Y = independente V(X + Y) = V(X) + V(Y)
Demonstraţie
Relaţiile rezultă prin calcul direct (folosind şi teorema 2.2) pentru variabile
discontinue :
x1 ... x m y1 ... y n
X : ;Y : şi se generalizează pentru variabile continue folosind
p1 ... p m q1 ... q n
liniaritatea integralelor Q.E.D.
Fie X o variabilă aleatoare cu media M(X) şi varianţa V(X) si fie ε > 0.
Dacă cunoaştem funcţia de repartiţie F(x) avem P(M(X) – ε < X < M(X) + ε) =
P X M(x) ε FM(x) ε FM(x) ε .
În caz contrar aplicăm inegalitatea Cebâşev valabilă pentru ε > σ (X), dată de:
Teorema 2.4
V(X)
P X M(X) ε 1
ε2
Demonstraţie
x1 , ........, x n
Fie variabila aleatoare discontinuă X cu repartiţia X :
p1 , ........, p n
Fie I = i/1 i n, x i M(X) ε deci :
26
n
P X M(X) ε 1 P x i M(X) ε = 1 p i
i 1 iI
n
2 2
Avem V(X) x i M(X) pi x i M(X) pi ε 2 p i aşa că:
i 1 iI iI
V(X)
1 1 p i P X M(X) ε . Demonstraţia când X este variabilă
ε2 iI
aleatoare continuă se face la fel ca mai sus, înlocuind sumele cu integrale. Q.E.D.
Exemple
1) Se dă variabila aleatoare discontinuă X cu repartiţia :
1 2 4 6 10
X: şi cu M(X) = 3.57; V(X) = 6.3651;
0.11 0.42 0.30 0.07 0.10
σ (X) = 2.52. Se cere o margine inferioară pentru P X 3.57 3
Soluţie. Conform inegalităţii Cebâşev cu ε = 3 σ (X) avem:
V(X) 6.3651
P X 3.57 3 1 2
1 29.3% .
ε 9
2) Pentru variabila aleatoare continuă X cu densitatea de probabilitate
X
, X 2; 4
f(X) 6 şi cu M(X) = 3.11;V(X) = 0.6543; σ (X) = 0.81
0 , în rest
Se cere o margine inferioară pentru P X 3,11 1 .
Soluţie. Conform inegalităţii Cebârşev cu ε = 1 > σ (X) avem:
V(X) 0.6543
P X 3.11 1 1 1 34.6%
ε2 1
2.1.3 Funcţia caracteristică a unei variabile aleatoare
itx itx
(t) e f(x)dx e f(x)dx cos tx i sin tx f(x)dx f(x)dx 1
itX
( t) M(e ) M(cos tX - i sin tX) (t)
2) Variabila aleatoare aX are funcţia caracteristică :
iatX i(at)x
M(e ) e f(x)dx (at)
3) X + Y are funcţia caracteristică:
(t) M(eit(X Y) ) M(ei t X .eitY ) M(eit X ).M(ei t Y ) căci X, Y sunt
independente deci φ(t) = φ1(t) . φ2(t)
4) Derivăm funcţia caracteristică de k ori:
(k) k itx k k itx
(t) (ix) e f(x)dx i xe f(x)dx deci
(k) (0) ik k
x f(x)dx i M(X
k k
) Q.E.D.
Inversarea transformatei Fournier permite exprimarea în mod unic a densităţii de
probabilitate f(x) a variabilei aleatoare X cu ajutorul funcţiei caracteristice φ(t):
1 i t x
f(x) e (t)dt
2π
Teorema 2.5 transferă proprietăţile lui φ(t) la f(x):
1) f(x) > 0; f(x)dx 1
2) Dacă variabila aleatoare X are densitatea de probabilitate f(x), variabila aX are
densitatea af(x).
3) Dacă variabilele aleatoare independente X, Y au densităţile de probabilitate f1(x),
f2(x), atunci variabila aleatoare X+Y are ca densitate de probabilitate produsul de convoluţie
al lui f1(x), f2(x): f(x) f(s)g(x s)ds f(x s)g(s)ds
4) Momentele de ordin k ale variabilei aleatoare X sunt date de relaţia:
28
MX k
x f(x)dx
k
Exemple
1 2 4
1) Fie variabila aleatoare discontinuă X cu repartiţia X:
0.1 0.6 0.3
Să se afle funcţia caracteristică φ(t)
it 2it 4it
Soluţie. (t) e 0.1 e 0.2 e 0.3
2) Fie variabila aleatoare continuă X cu densitatea de probabilitate
x
, x 2; 4
f(x) 6 Se cere funcţia caracteristică φ(t)
0 în rest
Soluţie
itx 14 itx 1 4 4
(t) e f(x)dx e xdx x cos t x dx i x sin tx dx
62 6 2 2
1
2 1 4it e 4it 1 2it e 2it
6t
Fie spaţiul euclidian Rn şi σ - algebra mulţimilor boreliene B P(Rn) adică cea mai
mică σ - algebră de submulţimi ale lui Rn care conţine toate intervalele din Rn.
Fie câmpul de probabilitate (Ω, K, P).
Un vector aleator n – dimensional este o funcţie X = (X1, …, Xn): Ω Rn astfel că
ω X(ω( B K pentru orice mulţime boreliană B P(Rn).
Componentele X1, …, Xn sunt variabile aleatoare numite variabile marginale pentru
X.
Pentru simplificarea expunerii, vom prezenta cazu n = 2 adică vectorii aleatori
bidimensionali Z = (X, Y).
Dacă mulţimea valorilor vectorului aleator Z = (X, Y) este numărabilă (şir finit sau
infinit) vectorul aleator se numeşte discontinuu.
De exemplu daxă variabila aleatoare X ia valorile x1, ….., xm iar variabila aleatoare Y
ia valorile y1, …, yn, cunoaşterea lui rij = P(X = xi şi Y = yj) adică a densităţii de probabilitate
m n
a lui Z = (X, Y) cu 1 rij permite cunoaşterea repartiţiei vectorului aleator
i 1 j 1
discontinuu Z = (X, Y)
Repartiţia vectorului aleator discontinuu Z = (X, Y) se dă prin tabelul:
29
x1 ___ x m m
Variabila marginală X are repartiţia X : media: M(X) xipi şi
p1 ___ p m i 1
m
2 2
varianţa: V(X) x i p i M(X)
i 1
y1 ___ Yn n
Variabila marginală Y are repartiţia Y : media: M(Y) y jq j şi
q1 ___ q n j1
n
2 2
varianţa: V(Y) y j q j M(Y)
j 1
Exemplu. La tragerea la ţintă, orice lovitură este caracterizată de perechea (X, Y) unde
X este abaterea în direcţie faţă de centrul O al ţintei şi Y este abaterea în înălţime faţă de
centrul O al ţintei iar rij = P(X = xi şi Y = yj); i, j N este probabilitatea ca o lovitură să aibă
abaterea în direcţie xi şi în înălţime yj.
Dacă mulţimea valorilor vectorului aleator Z = (X, Y) este nenumărabilă atunci
vectorul aleator se numeşte continuu şi densitatea sa de probabilitate este o funcţie reală
bd
f(x, y) > 0 astfel că P(a < X < b şi c < Y < d) = f(x, y)dxdy .
ac
În particular 1 P(X R si Y R) f(x, y)dxdy
-
mx 2 y, x 2;4
Exemplu. Fie funcţia f(x, y) y 1;3 şi f(x,y) este densitatea de
0 in rest
probabilitate al vectorului aleator continuu Z = (X, Y) dacă f(x, y) 1 şi f(x,y) > 0 deci
4 3
2
mx ydxdy 1 sau m x 2 dx ydy 1 deci
2 1
30
56 3
m 4 1 aşa că m . Vizibil f(x,y) > 0.
3 224
Funcţia de repartiţie a vectorului aleator Z = (X, Y) este F(x, y) = P(X < x şi Y < y).
Ca şi în cazul variabilei aleatoare (teorema 2.1.) se demonstrează:
Teorema 2.6
Avem proprietăţile:
1) F(x, y) ia valori în [0; 1];
x y x y x y
2 3 2 3 s3 x t 2 y
F(x, y) f (s, t)ds d t s tds d t s ds tdt
14
224 3 2
0 , x 2 sau y 1
1
adică: F(x, y) (x 3 23 )(y2 12 ) în rest
448
1 , x y si y 3
Pe graficul suprafeţei z = f(x, y), densitatea de probabilitate f(x, y) este cota punctului
de abscisă x şi ordonată y iar funcţia de repartiţie F(x, y) este volumul de sub suprafaţa z =
f(x, y) aflat în semispaţiul Z > 0 şi în stânga planelor X = x şi Y = y.
Teorema 2.7
Variabilele aleatoare X, Y din componenţa vectorului aleator Z = (X, Y) sunt
independente dacă şi numai dacă F(x, y) = F1(x) . F2(y) sau dacă şi numai dacă f(x, y) = f1(x) .
f2(y)
Demonstraţie
X, Y sunt independente dacă şi numai dacă evenimentele “X < x” şi Y < y” sunt
independente dacă şi numai dacă P(X < x şi Y < y) = P(X < x) . P(Y < y) dacă şi numai dacă
F(x, y) = F1(x) . F2(y) de unde prin derivare parţială în raport cu x, y obţinem F”xy(x, y) =
F’1(x) . F’2(y) adică f(x, y) = f1(x) . f2(y). Q.E.D.
În afară de funcţia de repartiţie F(x, y), vectorul aleator Z = (X, Y) are şi următorii
indicatori numerici:
1) Vectorul medie M(Z) = (M(X), M(Y)) unde
M(X) xf1 (x)dx; M(Y) yf 2 (y)dy
x1 ___ x m
Dacă X, Y sunt discontinue, de exemplu dacă X : şi
p1 ___ p m
y1 ___ y n m n
Y : avem: M(X) x i pi ; M(Y) y jq j
q1 ___ q n i 1 j 1
C(X, X) C(X, Y)
2) Matricea de covarianţă : C(Z)
C(Y, X) C(Y, Y)
Aici C(X, Y) este covarianţa variabilelor aleatoare X, Y dată de relaţia de definiţie:
C(X, Y) = M[(X – M(X) . (Y – M(Y)].
Dacă X, Y sunt discontinue, avem:
m n
C(X, Y) (x i M(X)) (y j M(Y)) rij
i 1 j 1
unde rij = P(X = xi şi Y = yj)
Dacă X, Y sunt continue avem:
32
C(X, Y) (x M(X) (y M(Y)) f (x, y)dx dy
Este vizibil că C(X,Y) = C(Y,X)
De asemenea avem:
m
C(X, X) V(X) (x i M(X)) 2 p i (x M(X)) f1 (x)dx respectiv:
i 1
n
C(Y, Y) V(Y) (y j M(Y)) 2 q j (y M(Y)) f 2 (y)dy
j 1
Observăm că eroarea pătratică totală :
m n
SPA(x, y) (x x i ) pi (y y j )2 q j este minimă pentru x = M(X),
2
i 1 j1
y = M(Y), valoarea minimului fiind urma V(X) + V(Y) a matricii de covarianţă C(Z).
2) Funcţia de regresie Y = g(X)
În cazul vectorului aleator discontinuu Z = (X,Y) definim mediile condiţionate:
n
M c (x i ) M X x i (Y) y jrij se defineşte prin relaţiile: g(xi) = MX=xi (Y)
j 1
În cazul vectorului aleator continuu Z = (X,Y) definim mediile condiţionate:
Mc(xi) = MX=Xi(Y) = yf(x, y)dy iar funcţia de regresie va fi:
g(x) = Mc(x)
4) Coeficientul de corelaţie liniară al variabilelor aleatoare X,Y este definit de
relaţia:
C(X, Y) C(X, Y)
ρ(X, Y)
V(X) V(Y) σ(X) σ(Y)
Proprietăţile covarianţei C(X,Y) în raport cu operaţiile cu variabile aleatoare, sunt date
de:
Teorema 2.8
Avem proprietăţile:
1) C(a,b) = 0
2) C(X + a, Y + b) = C(X,Y)
3) C(aX, bX) = abC(X,Y)
1
4) C(X,Y) = M(X . Y) – M(X) . M(Y) = V(X Y) V(X) V(Y)
2
5) Dacă X,Y sunt variabile aleatoare independente atunci C(X,Y) = 0 adică X,Y sunt
necorelate liniar.
Dacă X,Y sunt variabile aleatoare normale este adevărată şi reciproca.
Demonstraţie
Relaţiile 1) – 4) rezultă prin calcul direct, folosind teoremele 2.2 şi 2.3 şi definiţia lui
C(X,Y).Dacă X = Y, din teorema 2.8 reobţinem teorema 2.3.
Să demonstrăm punctul 5) din enunţ.
33
Dacă X,Y = variabile aleatoare independente, conform teoremelor 2.2 şi 2.3 avem
M(X . Y) = M(X) . M(Y) respectiv V(X + Y) = V(X) + V(Y) deci conform punctului 4) din
enunţ, avem C(X.Y) = 0 adică X, Y nu sunt corelate liniar. Reciproca pentru X, Y = variabile
aleatoare normale va fi demonstrată în teorema 3.10.
Dacă X, Y nu sunt variabile aleatoare normale, reciproca afirmaţiei de la punctul 5)
din enunţ, nu este adevărată: există variabile necorelate liniar care sunt dependente.
Exemplu
Pentru vectorul aleator discontinuu Z = (X, Y) cu repartiţia
Y 1 3 Suma p
X
1 0.4 0 0.4
2 0.1 0.5 0.6
Suma q 0.5 0.5 1
Teorema 2.9
Avem proprietăţile:
1) ρ(a, b) = 0
2) ρ(X + a, Y + b) = ρ(X,Y)
3) ρ(aX, bY) = ρ(X, Y)
4) ρ(X, Y) 1; ρ(X, Y) 1; dacă şi numai dacă X,Y sunt dependente funcţional
liniar: Y = aX + b
5) Dacă X, Y sunt variabile aleatoare independente atunci ρ(X, Y) = 0 adică X, Y
sunt necorelate liniar.
6) Dacă X, Y sunt variabile aleatoare normale, este adevărată şi reciproca.
Demonstraţie
Relaţiile 1) – 3) rezultă prin calcul direct, folosind teoremele 2.3, 2.8 şi definiţia lui
C(X, Y)
ρ(X, Y) = . Din relaţiile 2) – 3) rezultă:
V(X) V(Y)
X M(X) Y - M(Y)
ρ(X, Y) C ,
σ(X) σ(Y)
Relaţia 5) din enunţ rezultă din relaţia 5) a teoremei 2.8 şi din definiţia lui ρ(X, Y).
Să demonstrăm punctul 4) din enunţ.
Avem V[ σ (Y) . X - σ (X) . Y] > 0, relaţie în care folosim teoremele 2.2, 2.3, 2.8 şi
obţinem: σ 2(X) . σ 2(Y) - σ (X) . σ (Y) . C(X,Y) > 0 sau
C(X, Y)
1
σ(X)σ(Y)
În mod analog relaţia V[ σ (Y) . X + σ (X) . Y] > 0 conduce la relaţia ρ(X, Y) > - 1
deci ρ(X, Y) 1
Dacă ρ(X, Y) 1 să arătăm că Y = aX + b.
Fie funcţia E(a, b) = M[(Y – aX – b)2]
Folosind teoremele 2.2, 2.3, 2.8, avem:
34
σ(Y)
a ρ(X, Y) ; b M(Y) aM(X)
σ(X)
2
Valoarea minimului este E min [1 ρ (X, Y)] V(Y) .
Dacă ρ(X, Y) 1 avem Emin = 0 adică: M(Y – aX – b) = 0 deci Y = aX + b
Reciproc, dacă Y = aX + b să arătăm că ρ(X, Y) 1
Avem
C(X, aX b) aV(X) 1
ρ(X, Y) ρ(X, aX b) 1
V(X) a 2 V(X)
V(X) V(aX b) a
deoarece C(X,aX + b) = M[X(aX + b)] – M(X) . M(aX + b) =
= aM(X2) – aM2(X) = aV(X)
Dacă a > 0 avem ρ(X, aX + b) = 1 iar dacă a < 0 avem ρ(X, aX + b) = -1
a se numeşte coeficientul de regresie liniară iar b se numeşte termenul liber al
regresiei.
Exemplu
Fie vectorul aleator discontinuu Z = (X, Y) cu repartiţia:
Y 1 2 0 Suma p
X
1 0.5 0.1 0 0.6
2 0 0 0.4 0.4
Suma q 0.5 0.1 0.4 1
0.24 0.44
C(Z)
0.44 0.89
Avem mediile condiţionate:
MX=1(Y) = 1 . 0.5 + 2 . 0.1 + 3 . 0 = 0.7
MX=2(Y) = 1 . 0 + 2 . 0 + 3 . 0.4 = 1.2
deci funcţia de regresie Y = g(X) are forma tabelară: x g(x)
1 0.7
2 1.2
Avem coeficientul de corelaţie liniară
C(X, Y) 0.44
ρ(X, Y) 0.96
V(X) V(Y) 0.24 0.89
Coeficientul de regresie este:
σ(Y) 0.89
a ρ(X, Y) 0.96 1.85
σ(X) 0.24
Termenul liber al regresiei este: b = M(Y) – aM(X) = 1.9 – 1.85 . 0.24 = 1.46
O funcţie aleatoare este o funcţie de variabila nealeatoare t notată cu X(t), care pentru
fiecare valoare fixată t0 a lui t, este variabilă aleatoare X(t0).
Exemplu X(t) = tX.
Pentru t = 1 avem variabila aleatoare X(1) = X iar pentru t = 2 avem variabila
aleatoare X(2) = 2X.
Secţiune a unei funcţii aleatoare X(t) este variabila aleatoare X(t0) deci funcţia
aleatoare este o mulţime {X(t)} de variabile aleatoare care depind de parametrul t.
Realizarea (traiectoria, funcţia de sondaj) a unei funcţii aleatoare X(t) este funcţia
nealeatoare de t în care variabila aleatoare X ia o valoare dată într-o experienţă concretă.
Exemplu. Pentru X(t) = tX dacă în prima experienţă avem X = 5 atunci prima
realizare este x1(t) = 5t iar dacă în a II-a experienţă avem X = 2 atunci a doua realizare este
x2(t) = 2t.
Deci o funcţie aleatoare este mulţimea tuturor realizărilor sale posibile.
Un proces aleator este o funcţie aleatoare X(t) în care variabila t este timpul.
În acest sens, producţia agricolă vegetală şi zootehnică sunt procese aleatoare.
Dacă t ia un şir de valori t0, t1, … tn, … atunci procesul aleator este un şir aleator
{X(t0), X(t1), … X(tn), …} numit şi lanţ aleator.
Un exemplu remarcabil de şir aleator este lanţul Markov finit.
Fie t {0, 1, …, n} şi variabilele aleatoare X(0), X(1), …, X(n). Stările lanţului finit
sunt numerele reale x0, x1, … xn.
Dacă realizarea evenimentului X(k) = xj nu depinde decât de realizarea evenimentului
precedent X(k – 1) = xi pentru orice i, j, k {0, 1, …, n} lanţul finit se numeşte lanţ Markov
cu un număr finit de stări.
36
Probabilitatea p (0)i = P(X(0) = xi) se numesc probabilităţi iniţiale iar probabilităţile pij
(k) = P(X(k) = xj X(k 1) x i ) se numesc probabilităţi de trecere din starea xi în starea
xj.
Se presupune că lanţul Markov este omogen adică probabilităţile de trecere nu depind
de k deci pij(k) = pij. Fie M = (pij) matricea pătratică a probabilităţilor de trecere de ordin n +
n
1. Avem p
j0
ij 1.
Fie Pij(m) probabilitatea ca să trecem din starea xi în starea xj după m paşi.
Se cere evoluţia ponderilor pe piaţă ale celor trei firme după m = 6 etape de vânzare.
Soluţie
V0 M6 = (0.50; 0.19; 0.31)
deci produsul de la firma 1 este în creştere, cel al firmei 2 în scădere iar cel al firmei 3
este staţionar.
P( X( t ) [ x, x Dx]
f (x, t ) lim iar funcţia de repartiţie a procesului
DX 0 Dx
aleator X(t) este F(x, t) = P(X(t) < x).
2) Media procesului aleator X(t) dată de relaţia x(t) = M[X(t)] este funcţia
nealeatoare de t, care pentru fiecare valoare fixată t 0 a lui t, este egală cu media variabilei
aleatoare X(t0).
3) Varianţa procesului aleator X(t) dată de relaţia Vx(t) = V[X(t)] este funcţia
nealeatoare de t, care pentru valoarea fixată t0 a lui t, este egală cu varianţa
variabilei aleatoare X(t0).
Pentru procesele aleatoare X(t), Y(s) se defineşte:
4) Funcţia de corelaţie dată de relaţia
Cxy(t, s) = M[(X(t) - x(t)) . (Y(s) - y(s))]
este funcţia nealeatoare de t şi s care pentru fiecare valoare fixată t0 a lui t
şi s0 a lui s , este egală cu covarianţa variabilelor aleatoare X(t0) şi Y(s0).
5) Funcţia de corelaţie normată dată de relaţia
C xy (t , s)
xy (t , s) ,
Vx (t )Vy ( s )
este funcţia nealeatoare de t şi s care pentru fiecare valoare fixată t0 a lui t şi s0 a lui s,
este egal cu coeficientul de corelaţie liniară ale variabilelor aleatoare X(t0) şi Y(s0).
Caz particular: Y = X, S = t + τ
În acest caz funcţia Cxy(t,s) se numeşte funcţie de autocorelaţie a procesului aleator
X(t) şi este dată de relaţia:
C x ( t , ) M( X ( t ) x ( t )) ( X ( t ) x ( t ))
Avem Vx(t) = Cx(t,0).
Funcţia de corelaţie normată se va numi funcţie de autocorelaţie normală şi este dată
C x ( t , )
de relaţia: x ( t , )
Vx ( t )Vy ( t )
Un proces aleator X(t) este staţionar dacă media sa nu depinde de t (este constantă):
μx(t) = μx şi funcţia sa de autocorelaţie nu depinde de t ci numai de τ: Cx(t, τ) = Cx(τ).
În acest caz Vx(t) = Cx(t, 0) = Cx(0) deci varianţa este constantă: Vx(t) = Vx.
Funcţia de covariaţie a procesului aleator staţionar X(t) este:
R x () MX (t ) X( t )
2
Avem Rx(τ) = Cx(τ) + x deci pentru μx = 0 avem Rx(τ) = Cx(τ).
38
2T
Vj R x (τ) cos ω j τdτ (j N)
T0
Funcţia (ωj, Vj) defineşte spectrul discret al procesului aleator staţionar de la punctul
π
3) cu liniile spectrale de înălţime Vj echidistante (distanţa între 2 linii vecine este ).
T
4) Fie T deci /T 0 .
În acest caz spectrul discret devine spectru continuu şi Vj devine spectru continuu ca
funcţie de ω: Vx = Sx(ω).
Densitatea spectrală Sx(ω) a procesului aleator staţionar X(t) este transformata
Fournier a funcţiei de covariaţie Rx(τ):
1
S x ( ω) R x ( τ)e iωτ dτ (4)
2π
Reciproc:
R x ( τ) S x (ω)e iωτ dω (5)
Sub formă reală avem:
1
S x (ω) R x ( τ )cosω τ dτ (6)
π0
şi reciproc:
R x ( τ) Sx (ω)cosω τ dω (7)
0
Pentru τ = 0 avem Rx(0) = Vx iar Sx(ω) este funcţie pară odată cu Rx(τ) deci relaţia (7)
ne dă:
Vx 2 S x (ω)dω S x (ω)dω (8)
0
deci în adevăr, Sx(ω) este densitatea spectrului Vx ca funcţie de ω.
Exemplu
τ
Fie procesul aleator X(t) cu funcţia de covariaţie Rx(τ) = 1 pentru τ 2 .
2
Se cere densitatea spectrală Sx(ω) a procesului.
Soluţie
Avem conform relaţiei (6):
1 2 τ sin 2 ω
S x (ω) 1 cos ω τ dτ
π 0 2 πω 2
Funcţia δ(t) a lui Dirac este definită de relaţia
δ(t )f (t )dt f (0) unde f(x) este o funcţie reală continuă pe R.
40
0 , t ε
Dacă δ ε ( t ) 1
,t ε
2ε
0 , t 0
rezultă δ(t) = lim δ ε ( t )
ε 0 ,t0
1 iωt
iω t
Avem şi relaţia: δ( t ) e dω e dω 2 πδ( t )
2 π
de unde
Procesul aleator staţionar X(t) se numeşte zgomot alb dacă are densitatea spectrală
constantă: Sx(ω) = S.
Conform formulei (5) avem funcţia de covariaţie:
R x ( τ) s e iωt dω 2 πsδ( t )
De aici rezultă că pentru zgomotul alb avem Rx(τ) = 0 pentru τ 0 deci în acest caz
variabilele aleatoare X(t), X(t + τ) sunt necorelate pentru orice τ 0.
În încheierea acestei secţiuni prezentăm o clasă importantă de procese aleatoare
staţionare.
Procesul aleator staţionar X(t) este ergodic dacă caracteristicile sale, găsite prin media
mulţimii realizărilor coincid cu caracteristicile sale găsite prin media în raport cu t a uneia din
realizările sale x(t), unde t [0, T] cu T suficient de mare.
În acest caz avem:
1t
μ x lim X( t )dt
T T 0
1 Tτ
C x ( τ) lim X( t ) X( t τ)dt μ 2 x
T T τ 0
Exemplu
Procesul aleator X(t) = A sin (ωt +φ) unde φ este fază aleatoare, este ergodic.
2.4 Rezumat
În acest capitol se prezintă noţiunea de variabilă aleatoare pentru care se descrie funcţia de
repartiţie şi densitatea de probabilitate, media , varianţa şi funcţia caracteristică .
Deasemenea se prezintă noţiunea de vector aleator pentru care se descrie covarianţa şi
coeficientul de corelaţie liniară. În încheiere se prezintă noţionea de proces aleator cu
accent pe lanţul Markov finit .
2.5 Întrebări
1.Enumeraţi proprietăţile funcţiei de repartiţie şi densităţii de probabilitate a unei variabile
aleatoare .
2. Enumeraţi proprietăţile mediei şi varianşei unei variabile aleatoare .
3. Enumeraţi proprietăţile covarianţei şi coeficientului de corelaţie liniară pentru
pentru un vector aleator .
4. Descrieţi un lanţ Markov finit .
41
2.6 Bibliografie
CAPITOLUL 3
Conţinut :
Teorema 3.1.
Probabilitatea ca din n bile să obţinem k bile albe (k=0,1,….,n) şi restul negre, este
coeficientul lui tk în produsul (p 1t+q1)….(pnt +qn) este :
Pn ,k pi1 ...pik qik 1 ....qin
Demonstraţie
Fie Aj evenimentul extrageii unei bile albe din urna Uj şi Äj evenimentul extragerii
unei bile negre din urna Uj (1jn).
Obţinerea a k bile albe şi n-k bile negre când se extrage câte o bilă din fiecare din cele
n urne, constă în realizarea unui eveniment de forma:
An,k = Ai1…..Aik A ik+1….. A in
unde i1,….., in este o permutare a indicilor 1,…n. Cum evenimentele Aj, A j sunt
independente câte două, avem:
P(An,k)=pi1….pikqik+1….qin
Evenimentele An,k fiind incompatibile câte două, probabilitatea Pn,k a obţinerii a k bile
albe şi n-k bile negre în schema Poisson, va fi:
Pn,k = pi1….pikqik+1…..qin
43
pentru toate permutările i1,..in ale indicilor 1,….,n adică chiar coeficientul lui tk în produsul
(p1t+q1)….(pnt+q n) Q.E.D.
Schema lui Poisson se aplică când se urmăreşte ca în experimente independente să
apară de k ori un eveniment A, dacă se cunosc probabilităţile diferite de realizare a sa în cele
n experimente.
Schema bilei revenite se obţine ca un caz particular din schema lui Poisson când
urnele U1,…,Un au un conţinut identic în bile albe şi negre:
a1=…..=an= a şi b1=….bn=b
În aces caz extragerea simultană a câte unei bile din cele n urne identice U cu a bile
albe şi b bile negre este echivalentă cu extragerea succesivă a n bile dintr-o singură urnă U cu
a bile albe şi b bile negre, punând bila înapoi în urnă după fiecare extragere, pentru ca urna
U să fie identică la fiecare din cele n extrageri succesive.
Avem p1=…..=p n=p şi q 1=….q n=q=1- p, deci Pn,k este coeficientul lui tk în produsul
(pt+q)…(pt+q)=(pt+q)n adică:
k
F (k ) Cnh p h q n h
h 0
Funcţie EXCEL : = BINOMDIST(k,n,p,L)
Pentru L = FALSE avem densitatea de repartiţie binomială f(k) iar pentru
L = TRUE avem funcţia de repartiţie binomială F(k) .
Funcţia caracteristică este (t ) ( peit q) n
' (0)
Din teorema 2.5 rezultă M ( X ) np şi
i
"(0)
M (X 2 ) 2
n 2 p 2 npq aşa că V(X) = M(X2)-M2(X) =npq.
i
Modul Mo(X) satisface relaţia np-q≤Mo(X) ≤np+q.
Teorema 3.2
Dacă X,Y sunt variabile binomiale independente de tip B(n1,p) şi respectiv B(n2,p),
atunci X + Y este variabilă binomială de tip B(n1+n2,p).
Demonstraţie
Conform teoremei 2.5 , X+Y are funcţia caracteristică
(peit+q)n1.(peit+q)n2 =(peit +q)n1+n2 deci X+Y este variabilă binomială B(n1+n2,p) Q.E.D.
Valorile f(k) din formula (1) se obţin prin calcul direct pentru n<30 iar pentru n≥30
variabila binomială se poate aproxima cu cea normală (Teorema 3.14 (Moivre-Laplace) de
mai jos).
Observăm că f(k) din formula (1) este termenul general al dezvoltării binomului
1=(q+p)n, de unde şi denumirea de variabilă binomială.
Dacă urna U are a1 bile de culoarea 1,…,am bile de culoarea m şi extragem succesiv n
bile cu bila revenită, dorim să apară k1 bile de culoarea 1,…,km bile de culoarea m, deci
avem variabila aleatoare polinomială cu densitatea de probabilitate:
n!
f (k1 ,...km ) p1k1 ... pm km
k1 !...km !
(k1,…,km=0,1,….n; k1+…+km=n)
Pentru m=2 reobţinem variabila aleatoare binominală.
Exemple:
1) Se aruncă o monedă de n=5 ori. Care este probabilitatea să apară stema de k=2 ori ?
Soluţie
Aruncările succesive ale monedei sunt independente deci se supun legii binomiale.
1 1
Acum p , q 1 p , n 5, k 2 deci conform relaţiei (1) avem:
2 2
1 1 5.4 1 5
f (2) C52 ( ) 2 ( )3 . 5 31.2%
2 2 1.2 2 16
Funcţii EXCEL : = BINOMDIST(2,5,0.5,FALSE) = 31.2%
= BINOMDIST(2,5,0.5,TRUE) =50%
5
Numărul mediu de bile albe va fi: M(X)=np= 2.5 bile albe şi abaterea standard a
2
1 1 5
numărului de bile albe va fi ( x) npq 5. 1.1 bile albe.
2 2 2
2) Se aruncă un zar de n=4 ori. Care este probabilitatea să apară faţa nr. 6 de k=2 ori?
45
Soluţie
Aruncările succesive ale zarului sunt independente deci se supun legii binomiale.
1 5
Avem p , q 1 p , n 4, k 2 deci conform relaţiei (1) avem:
6 6
1 5 4.3 52 52 25
f (2) C42 ( ) 2 ( ) 2 . 4 3 11.6%
6 6 1.2 6 6 216
Funcţii EXCEL : = BINOMDIST(2,4,1/6,FALSE) = 11.6%
= BINOMDIST(2,4,1/6,TRUE) =98.4%
4
Numărul mediu de feţe nr. 6 apărute va fi M ( x ) np 0.7 bile iar abaterea
6
20 5
standard a numărului de feţe nr.6 apărute va fi ( x ) npq = = 0.7 bile
36 3
3) Se dă o urnă U cu a=6 bile albe şi b = 14 bile negre. Se extrag succesiv n=4 bile cu
bila revenită. Care este probabilitatea să obţinem k=2 bile albe ?
Soluţie
6 14
Avem p , q 1 p , n 4, k 2 deci conform formulei (1) avem:
20 20
6 14 4.3 32.7 2
f (2) C 4 2 ( ) 2 ( ) 2 . 26.5%
20 20 1.2 104
Funcţii EXCEL : = BINOMDIST(2,4,0.3,FALSE) = 26.5%
= BINOMDIST(2,4,0.3,TRUE) =91.6%
Teorema 3.3.
Probabilitatea ca din n bile extrase să apară k bile albe (k=0,1,…,n) în cadrul schemei
bilei nerevenite este:
Cak .Cbnk
Pn ,k
Canb
Demonstraţie:
Din a bile albe se pot forma Cak grupe distincte de câte k bile albe în fiecare grupă iar
din b bile negre se pot forma Cbn-k grupe distincte cu n-k bile negre în fiecare grupă.
Extragerea culorilor albă şi neagră fiind independente, numărul cazurilor favorabile în
schema bilei nerevenite este Cka.Cbn-k. Din a+b bile se pot forma Ca+bn grupe distincte cu n bile
46
în fiecare grupă, deci numărul cazurilor egal posibile în schema bilei nerevenite este Ca+bn.
Cak .Cbn k
Conform definiţiei clasice a probabilităţii avem: Pn ,k Q.E.D.
Canb
În concluzie, densitatea de probabilitate a variabilei hipergeometrice H(a,b,n) este:
Cak .Cbn k
f (k )
Can b
Un calcul comod pentru f(k) se face cu formulele de recurenţă:
Can a (a 1)....( a n 1)
f (0) n ; (k 0)
Ca b (a b)(a b 1)....(a b n 1)
(a k 1)(n k 1)
f (k ) f (k 1). ; (k 1,2,......n)
(b n k ).k
Funcţia de repartiţie hipergeometrică este :
k
Cah .Cbn h
F (k )
h0 Canb
În schema bilei revenite, numărul de extrageri cu bila revenită este constant şi egal cu
n iar numărul de bile albe extrase k este variabil (k=0,1,…,n) ceea ce dă naştere variabilei
binomiale.
Dacă în schema bilei revenite, numărul de extrageri cu bila revenită este variabil şi
egal cu k iar numărul de bile albe extrase s este constant (k=s, s+1, s+2,…) se obţine variabila
Pascal sau variabila binomială negativă.
Densitatea de probabilitate a variabilei Pascal este
f(k)= Cks11 p s q k s ; (k s, s 1, s 2,..)
Funcţia de repartiţie Pascal este :
k
F (k ) Chs11 p s q h s
h s
s este numărul de bile albe (succese) şi r=k-s este numărul de bile negre (eşecuri) din k
extrageri independente cu bila revenită.
f ( r ) Csr r 1 p s q r este termenul general al dezvoltării în serie pentru ps(1-q)-s=1,
r r r
deoarece ( 1) C s C s r 1 . Din această cauză, variabila Pascal se cheamă variabilă
binomială negativă.
it s it s
Funcţia caracteristică a variabilei Pascal este (t ) ( pe ) .(1 qe )
De aici rezultă conform teoremei 2.5. că
'(0) q "(0) sq ( sq 1) sq
M (X ) s ; M(X 2 ) 2 2
, aşa că V ( X ) M ( X 2 ) M 2 ( X ) 2 .
i p i p p
s 1 sq
Avem şi Mo( X )
p p
Teorema 3.4.
Dacă X,Y sunt variabile Pascal de tip PA (s1,p) şi respectiv PA(s2,p) atunci X+Y este
variabilă Pascal de tip PA (s1+s2,p).
Demonstraţie
X+Y are conform teoremei 2.5. funcţia caracteristică
(t ) 1 (t ) 2 (t ) ( peit ) s1 .(1 qeit ) s1 .( peit ) s2 .(1 qeit ) s2 ( peit ) s1 s2 .(1 qeit ) s1 s2
deci X + Y este variabilă Pascal de tip PA(s1+s2,p) Q.E.D.
48
Teorema 3.5.
Dacă X,Y sunt variabile Poisson de tip PO ( ) respectiv PO(atunci X+Y este
variabilă Poisson de tip PO
49
Demonstraţie
Conform teoremei 2.5. X+Y are funcţia caracteristică
it it it
(t ) 1 (t ) 2 (t ) e1 ( e 1) .e2 ( e 1) e( 1 2 )( e 1) deci X+Y este variabilă Poisson de tip
PO( Q.E.D.
Teorema 3.6.
Variabila Poisson se obţine din variabila binomială dacă n∞,p0 şi np =
Demonstraţie
Avem :
(np ) k 1 k 1 (1 p ) n k
Cnk p k q n k (1 )....(1 ). care tinde catre e
k! n n (1 p )k k!
1 k 1
deoarece (1- )...(1 ) 1, (1 p ) k 1 şi (1-p)n [(1 p )1/ p ] np e .
n n
Rezultă că modelul aproximativ al variabilei Poisson este schema bilei revenite
aplicată unei urne foarte bogate iar cu foarte puţine bile albe şi din care se extrag succesiv cu
bila revenită un număr de n foarte mare de bile. Din acest motiv variabila Poisson se mai
numeşte variabila evenimentelor rare.
Repartiţia Poisson se găseşte des în agricultură: numărul gemenilor, numărul
animalelor cu tare genetice şi numărul celulelor iradiate cu particule sunt evenimente
rare.
Exemplu
Numărul mediu de miei la 100 oi este de 120 miei, Care este probabilitatea ca o oaie
să fete 2 miei ?
Soluţie
1.2 2 1.2
Avem =1.2 şi k=2 deci f (2) e 21.7 %.
2!
Funcţii EXCEL : = POISSON(2,1.2,FALSE)=21.7%
= POISSON(2,1.2,TRUE) = 87.9%
cu proprietăţile :
1) Γ(1)=1; Γ(1/2)= ;
2) Γ(n+1) = n!;
3) Γ(x+1) = x Γ(x)
n 1 (x ) j
.x
Funcţia de repartiţie este F ( x ) 1 e .
j 0 j!
( x )2
1
2 2
Variabila normală are densitatea de probabilitate: f ( x) e ,x R
2
2t 2
it
Funcţia caracteristică este (t ) e 2
deci conform teoremei 2.5. avem:
'(0) '' (0)
M (X ) ; M ( X 2 ) 2 2 2 deci V(X) M ( X 2 ) M 2 ( X ) 2
i i
Variabila normală X are notaţia X=N(μ, σ).
Din graficul densităţii de probabilitate f(x) a variabilei normale se confirmă cele 2 legi
ale erorilor accidentale, găsite de Gauss:
1) Legea simetriei: Numărul valorilor care se abat sub media μ este egal cu numărul
valorilor care se abat peste media μ;
2) Legea concentrării: Abaterile mici de la media μ sunt numeroase iar abaterile
mari de la media μ sunt rare.
Dacă pe verticala lui μ lăsăm să cadă boabe de cereale, boabe de nisip sau pietricele ,
acestea se ciocnesc şi se rostogolesc formând o grămadă care are în secţiune verticală profilul
de curbă normală de mai sus.
Teorema 3.7
Dacă X1, X2 sunt variabile aleatoare normale de tip N(μ1,1) şi respectiv N(μ2,2),
independente între ele, atunci variabila aleatoare a1X1+a2X2 este o variabilă aleatoare normală
de tip N(a11+a2 μ2 ; (a1212+a2222)1/2).
Demonstraţie
Variabila aleatoare a1X1+a2X2 are conform teoremei 2.5. funcţia caracteristică:
a12 12 t 2 a22 22 t 2 ( a12 12 a 22 22 ) t 2
ia1 1t ia2 2 t i ( a1 1 a2 2 ) t
2 2 2
1(a1t1)2(a2t2)= e .e =e
deci a1X1+a2X2 este variabilă aleatoare normală de tip N(a1μ1+a2μ2; a12 12 a22 22 ) Q.E.D.
Pentru μ=0, =1 obţinem variabila aleatoare normală redusă U=N(0,1) cu densitatea
1 u2 / 2
de probabilitate f(u)= e şi cu graficul:
2
53
Legătura între variabila normală X=N(μ, ) şi variabila normală redusă U=N(0,1) este
x
dată de relaţia U respectiv X = μ+U.
Funcţia de repartiţie a variabilei normale reduse U=N(0,1) este
t2
1 u
F (u ) 2
2
e dt
Valorile lui F(u) pentru u ≥0 se găsesc în tabela 1 din Anexă iar pentru u <0 avem:
F(u)=1-F(-u).
Graficul lui F(u) are forma:
1
W cu p=0.2316419 respectiv a1=0.3193815;a2=-0.3565638; a3=1.781478; a4=-
1 pu
1.821256; a5=1.330274
Teorema 3.8
Dacă X este variabilă N(μ,) avem:
b a
P ( a X b) F ( ) F( )
Demonstraţie:
X
Relaţia rezultă din teorema 1.3 punctul 4 cu substituţia U .
În particular pentru a = μ-ε, b= μ+ ε şi ţinând cont că F ( ) 1 F ( ) relaţia din
enunţ capătă forma:
P( X ) 2 F ( ) 1 Q.E.D.
Exemplu
54
Greutatea la livrare a porcilor Landrace de 8 luni este variabila normală N(100 kg; 5 kg). Se
cere probabilitatea ca greutatea porcilor de 8 luni să fie cuprinsă între 98 kg şi 106 kg ?
Soluţie:
106 100 98 100
F( ) F( ) F (1.2) F (0.4) F (1.2) 1 F (0.4)
P(98≤X≤106)= 5 5
0.8849 0.6554 1 54%.
Funcţii EXCEL : = NORMDIST(1.2) =0.8849 şi = NORMDIST(-0.4)=
=0.3446
Dacă X1,….,Xn sunt variabile aleatoare N(0,1) independente câte două, atunci
2 2 2
variabila X definită de relaţia: X X 1 .... X n se numeşte variabilă hi pătrat (X2) cu
n grade de libertate.
Ea are densitatea de probabilitate:
1
f ( x) n x n / 2 1 e x / 2 ;( x 0)
n
2 2 ( )
2
n
Funcţia caracteristică este φ(t)=(1-2it) 2
deci conform teoremei 2.5. avem
'(0) "(0)
M(X)= n; M ( X 2 ) 2 n 2 2n aşa că :
i i
2 2
V(X)=M(X )-M (X)=2n
Teorema 3.9
Dacă X1, X2 sunt variabile hi patrat cu n1 grade de libertate respectiv n2 grade de
libertate, atunci X1+X2 este variabilă hi patrat cu n1+n2 grade de libertate.
Demonstraţie
Conform teoremei 2.5. variabila aleatoare X1+X2 are funcţia caracteristică
n1 n2 n1 n2
(t ) (1 2it ) 2 .(1 2it ) 2 (1 2it ) 2 deci este variabilă hi patrat cu n1+n2 grade de
libertate. Q.E.D.
Variabila hi pătrat cu n grade de libertate este un caz particular al variabilei Gama
generalizate din această secţiune, punctul 3.2.6
Dacă X este variabilă hi pătrat cu n grade de libertate (n≥30) atunci variabila
2 (U 2n 1) 2
2 X 2 n 1 U unde U = N (0,1) de unde rezultă că variabila X
2
este aproximativ variabilă hi pătrat cu n grade de libertate pentru n≥30.
2 2 2
Valorile lui date de relaţia P( ) se obţin din tabela 3 din Anexă.
Funcţia EXCEL : = CHIINV(P,GL) dă valoarea χα2 pentru care
2
P( 2 )
Valorile lui t/2 şi t date de relaţiile P(t>t/2) = P(t>t)=, se obţin din tabela 2 din
Anexă . Pentru n ≥30 variabila Student este bine aproximată de variabila normală N(0,1).
Variabilele normală redusă, hi pătrat, Student sunt cazuri particulare ale variabilei
Fisher X cu (n1,n2) grade de libertate astfel:
- Variabila U este X cu n1 1; n2
- Variabila hi pătrat este X cu n1 n;n2
- Variabila Student este X1/2 cu n1=1;n2=n.
1
( )
1
Avem M(X) = .
1 / ( )
2 1 2
(
) ( ( ))
1
V(X)= 2 / [ ]
2
( ) (( ))
Pentru =n avem funcţia de repartiţie:
( x ) j
n 1
F ( x) 1 e x .
j 0 j!
Cazuri particulare
57
/ 1 x
f ( x) x e ,x 0
( )
f ( x) 0, x 0
M ( X ) ;V ( X ) 2
Subcazuri
1a) Pentru 1 obţinem variabila exponenţială cu
1 1 it
f ( x) e x ( x 0) şi M(x) , V(x) 2 ; (t ) (1 )1 ; F(x) 1-e- x
1b) Pentru n1 obţinem variabila Erlang cu
n n n it
f ( x) x n 1e x (x 0) si M(X) ;V ( X ) 2 ; (t) (1- ) n
(n 1)!
n 1 j
( x)
F ( x ) 1 e x .
j 0 j!
n 1
1c) Pentru , , 1 obţinem variabila hi pătrat cu n grade de
2 2
n x -n
1 1
libertate cu f ( x) .x 2
.e , ( x 0) şi M(X) n; V(X) 2n; (t) (1-2it)
2 2
n/2 n
2 . ( )
2
2) 1 2
( ) ( ( ))
1 2 2
V (X ) [ ]
( ) (( )) 2
2 2
Subcazuri
2a) Pentru obţinem variabila Rayleigh cu
2 1 1
f ( x) 2 xe x ,(x 0) şi M(X) 1/2 . ; V(X) (1 )
2 4
58
Aici X = N ( 1 , 1 ), Y N ( 2 , 2 ) şi (X,Y)
Avem vectorul medie M(Z) = ( 1 ; 2 ) şi matricea de covarianţă
12 1 2
C(Z) = 2
2 1 2
Graficul lui z= f(x,y) este o suprafaţă în spaţiu în formă de clopot cu deschiderea în
1
jos, cu vârful clopotului în punctul: M ( 1 ; 2 ; )
2 1 2 1 2
1
Avem M(W) = ( 0; 0); C(W) =
1
Dacă Z = (X, Y) cu
X N ( 1 , 1 ), Y N( 2 , 2 ) iar W (U,V) cu U V N (0,1) avem relaţiile de legătură:
X 1 Y- 2
U ; V
1 2
Am văzut în teorema 2.8 punctul 5) că în general variabilele necorelate liniar pot fi
dependente.
Teorema 3.10
Dacă variabilele aleatoare normale X, Y sunt necorelate liniar, ele sunt independente.
Demonstraţie
Dacă variabilele normale sunt necorelate liniar avem 0 deci:
1 x 1 2 y 2 2
1 [(
1
) (
2
) ]
f ( x, y ) e 2
2 1 2
1 x 1 )2 1 y 2 2
1 (
1 1 (
2
)
e 2 . e 2 f1 ( x) f 2 ( y )
2 1 1 2 2
deci conform teoremei 2.7. rezultă că X, Y sunt variabile aleatoare independente. Q.E.D.
Teorema 3.11
Demonstraţie
Deoarece X1,…Xn sunt independente câte două, conform teoremei 2.2. avem:
M ( X 1 ) ... M ( X n )
M(X)=
n
iar conform teoremei 2.3, avem:
V ( X 1 ) ... V ( X n ) nT 2 T 2
V(X) = 2
n n n
Aplicând inegalitatea Cebâşev din teorema 2.4, avem:
V (X ) T
P(│X-M(X)│<)≥1- 2
1 2 P
n
Dar lim P 1 deci lim P( X-M(X) ) 1
n n
60
Din expresia lui P rezultă numărul minim de variabile aleatoare care asigură evenimentului
│X-M(x)│<) o probabilitate de realizare superioară lui P şi anume:
T2
n . Q.E.D.
2 (1 P )
Legea numerelor mari a lui Cebâşev arată că media unui număr mare de variabile
aleatoare independente câte două şi cu abateri – standard mărginite, îşi pierde caracterul de
variabilă aleatoare, stabilindu-se în jurul mediei sale.
În particular, media a n măsurători independente ale unei însuşiri cantitative X se
stabilizează , când volumul măsurătorilor creşte.
Exemplu:
Câte măsurători trebuie făcute pentru ca greutatea ouălelor să fie cuprinsă între 49 g şi
51 g cu o încredere de cel puţin 99 %, dacă toleranţa maximă admisă la greutatea ouălelor este
T=1g ?
Soluţie:
12
Avem T = 1 g, =1g, P =0.99 deci n = 100 măsuratori.
1 0.01
1 0
Dacă în legea numerelor mari a lui Cebâşev luăm variabilele aleatoare X1=….=Xn =
p q
X 1 ... X n
,independente câte două, X= ia valori de forma k/n = f şi M(X) = p; V(X) =
n
pq≤T2 deci relaţia:
V (X )
P(│X-M(X)<)≥ 1 de mai sus devine:
2
pq
P(│f-p │<)≥1- P
n 2
Cum lim P = 1 rezultă:
n∞
lim P(│f-p │<)=1 deci am demonstrat :
n∞
Teorema 3.12.
Dacă A este un eveniment cu probabilitatea de realizare p iar f = k/n este frecvenţa de
realizare a acestui eveniment de k ori în n experienţe independente, atunci pentru orice > 0
avem:
lim P(│f-p│<)=1
n∞
Din expresia lui P rezultă numărul minim de experienţe independente care asigură
evenimentului │f-p│< o probabilitate de realizare superioară lui P:
61
p(1 p)
n 2
(1 P )
Legea numerelor mari a lui Bernoulli arată că frecvenţa f de apariţie a unui eveniment
în n experienţe independente care este în fond media a n valori a unei însuşiri calitative X, se
stabilizează în jurul probabilităţii p de realizare a evenimentului.
Prin urmare, în cazul unui număr mare de experienţe independente, probabilitatea p
(constantă şi cunoscută înaintea experienţelor) începe să fie confirmată de frecvenţa f
(variabilă şi cunoscută după experienţe).
Exemplu:
Care este numărul minim de aruncări ale unei monezi pentru ca frecvenţa de apariţie a
stemei să fie cuprinsă între 45 % şi 55 % cu o încredere de cel puţin 90 % ?
Soluţie:
Avem p = 1/2 = 50 %; =5 % = 0.05, P = 90 % = 0.90
P(1 p) 0.5(1 0.5)
deci n= 1000 aruncări
2 (1 P ) 0.052.(1 0.90)
0
( X )3 ( npq )3 n p 3 q3
pentru n ∞ deci rezultă:
X M ( X ) X np
tinde către funcţia de repartiţie F a variabilei normale reduse N(0,1)
(X ) npq
când n ∞.
Cu alte cuvinte, probabilitatea ca un eveniment A să se realizeze în n experienţe
independente de un număr de ori cuprins între a şi b este aproximativ egală cu:
b np a np
F( ) F( ) când n ≥30
npq npq
Valorile lui F(u) pentru u ≥0 sunt date de tabela 1 din Anexă iar pentru
u <0 avem F(u) = 1-F(-u).
Exemplu:
Într-o urnă se află 600 bile albe şi 400 bile negre. Se extrag n = 200 bile cu bila
revenită. Se cere probabilitatea ca numărul X de bile albe extrase să fie cuprins între 100 şi
140 bile albe.
Soluţie: Avem: p=6/10 ; q=4/10 ; n=200 ; a=100 ;b=140
deci:
6 6
140 200. 100 200.
P(100 X 140) F ( 10 ) F ( 10 )
6 4 6 4
200. . 200. .
10 10 10 10
F (2.9) F (2.9) 2.F (2.9) 1 2 0.9981 1 99.6%
3.4 Rezumat
În acest capitol se prezintă variabilele aleatoare clasice discontinue între care remarcăm
variabilele binomială şi Poisson ,variabilele aleatoare continue între care remarcăm variabilele
exponenţială , normală , hi patrat ,Student şi Fisher precum şi vectorul aleator normal.
Capitolul se încheie cu legile limită : Cebâşev , Bernoulli şi teorema limită-centrală.
3.5 Întrebări
3.6 Bibliografie
CAPITOLUL 4.
Conţinut :
4.1 Simularea variabilelor aleatoare clasice prin metoda Monte Carlo
4.2 Fiabilitatea maşinilor agricole
4.3 Sisteme cu cerere şi servire aleatoare
4.4 Rezumat
4.5 Întrebări
4.6 Bibliografie
x ___ x n
X : 1 din relaţia F(xi) = γi (i = 1, …, m) rezultă că vom lua:
p
1 ___ p n
0 t
66
P( T t ) ( t T t Δt )
λ( t ) lim
Δt 0 Δt
P(T t Δt ) R ( t Δt )
Avem P( T t ) ( t T t Δt ) 1 1 deci:
P (T t ) R (t )
P( T t ) ( t T t Δt ) R ( t Δt ) R ( t ) 1
deci trecând la limită
Δt Δt R (t )
pentru Δt 0 obţinem:
t
λ (s ) ds
R ' (t ) f (t )
λ( t ) . Reciproc, avem: R(t) e0
R ( t ) 1 F( t )
Graficul ritmului de defectare are forma:
λ (t)
II
I IIIII III
0 tr tu t
Teorema 4.1
Dacă producerea unor evenimente în timp verifică condiţiile:
1) Probabilitatea producerii unui număr de k evenimente într-un interval de timp de
lungime t, este funcţie numai de k şi t;
2) Numărul evenimentelor produse într-un interval de timp de lungime t este
independent de numărul evenimentelor produse în orice alt interval de timp de lungime t,
disjunct de primul;
3) Într-un interval de timp arbitrar de mic, nu se poate produce mai mult de un
eveniment, atunci:
4) Variabila aleatoare X(t) a numărului de evenimente produse în orice interval de
timp de lungime t, este o variabilă Poisson cu media λt (λ = numărul mediu de evenimente
produse în unitatea de timp, adică:
P X ( t ) k
λt k e λt
k!
5) Variabila aleatoare T(t) a intervalelor de timp între producerea a două evenimente
1
consecutive este o variabilă exponenţială cu media adică:
λ
PT t 1 e λt
Demonstraţie
Fie Pk(t) = P(X(t) = k) (k = 0, 1, 2, …)
Conform condiţiilor 1) – 3) ale ipotezei, în intervalul de timp [t; t + Δt] avem:
Pk(t + Δt) = Pk(t).[1 - λ Δt – O(Δt)] + Pk-1(t).[ λ Δt + O(Δt)] + Pk-i(t). . P>i(Δt).O(Δt)
unde P>i(Δt) = O(Δt) este probabilitatea de a se produce mai mult de i evenimente în
O t
intervalul de timp [t; t + Δt] iar lim 0.
t 0 t
Rezultă:
Pk (t t ) Pk (t ) O ( t )
Pk (t ) Pk 1 (t ) deci pentru Δt 0 obţinem:
t t
P’k(t) = λ[Pk-1(t) – Pk(t)]
Pentru k = 0 obţinem P’0(t) = - λP0(t) = e-λt deci t este variabilă exponenţială cu funcţia
de repartiţie P(T < t) = F(t) = 1 – e- λt şi concluzia 5) este demonstrată.
Pentru k = 1 avem P’1(t) = λ[P0(t) – P1(t)] = - λP1(t) + λe-λt şi cum
λt λt
P1(0) = 0 rezultă P1 ( t ) e .
1!
λt 2 λt
Pentru k = 2 obţinem în mod analog P2 (t ) e deci prin inducţie
2!
λt k λt
matematică rezultă: Pk (t ) e aşa că X(t) este variabilă Poisson şi concluzia 4) este
k!
demonstrată. Q.E.D.
Variabila aleatoare X(t) este de fapt proces aleator Poisson (vezi secţiunea 2.3).
Un sistem cu cerere şi servire aleatoare se compune din următoarele elemente:
1) Fluxul de cereri: se presupune că cererile sunt aleatoare şi independente între ele.
69
Teorema 4.2
În condiţiile 1) – 3) ale teoremei 4.1 avem:
a) Probabilitatea existenţei a k cereri în sistem este p k (k = 0, 1, 2, …) unde:
1
ρ ρ s 1 ρs 1
p 0 1 ...
1! (s 1)! s! 1 ρ *
ρk
p0; (k 1, 2, ..., s)
k!
pk k
ρ p ; (k s 1, s 2, ...)
s! s k - s 0
70
Teorema 4.3
În condiţiile teoremei 4.1 avem:
a) Probabilitatea existenţei a k cereri în sistem este p k (k = 0, 1, 2, …,s + N) unde:
N 1 1
s 1 s 1 *
p0 1 ...
1! ( s 1)! s ! 1 *
71
k
k ! p0 ; (k 1, 2, ...,s)
pk k
p ; (k s 1,s 2, ...,s N)
s !s k s o
b) Numărul mediu de cereri în sistem este:
U = 0 . p0 + 1 . p1 + … + (s + N) ps +N adică:
s 1 ( N 1)( *) N N ( *) N 1
U p0 * 2
s ( *) N
s! (1 *)
U
c) Timpul mediu de aşteptare în sistem este: W
λ
d) Numărul mediu de staţii ocupate este:
(1 . p 1 + … + s . p s) + s(ps+1 + … + pN) adică:
s 1 s 1 ( *) N
L 1 ... p0
1! (s 1)! s ! 1 *
e) Probabilitatea de a refuza cereri este:
s
Pr = p S+N adică Pr ( *) N p0
s!
f) Probabilitatea ca o cerere să aştepte în sistem un timp superior lui t, este:
1 s N st ( st ) N 1
Pt p0 e st 1 * * ( *) N ... ( *) N 1 ( *) N
1 * s! 1! ( N 1)!
În particular pentru s = 1 avem ρ* = ρ deci formulele precedente capătă forma
simplificată:
1 ρ ρ k (1 ρ)
a) p 0 ; pk ; (k 1, ..., N 1) ;
1 ρ N2 1 ρN2
ρ 1 ( N 2)ρ N 1 ( N 1)ρ N 2
b) U ;
1 ρ 1 ρN2
U 1 ρ N 1 ρ N 1 ρ N 2
c) W ; d) L ρ ; e) Pr ;
λ 1 ρ N 2 1 ρ N2
e μt μt μt N 1 N 1
f) Pt ρ
1 ρN2
N
1 ρ
1!
N
ρ ρ ...
N 1!
ρ ρN
Pentru N cazul II) se reduce la cazul I).
Pentru N = 0 cazul II) se reduce la cazul III).
Teorema 4.4
În condiţiile teoremei 4.1 avem:
a) probabilitatea existenţei a k cereri în sistem este p k (k = 0, 1, …, s) unde:
72
1
s
p0 1 ...
1! s !
k
pk p0 ; (k 1,2, ..., s)
k!
b) Numărul mediu de cereri în sistem este:
s 1
U p0
s!
c) Timpul mediu de aşteptare în sistem este:
U
W
λ
d) Numărul mediu de staţii ocupate este:
s 1 s 1
L 1 ... p
1! s 1 ! s ! 1 * 0
e) Probabilitatea de a refuza cereri este:
s
Pr p0
s!
f) Probabilitatea ca o cerere să aştepte în sistem un timp superior lui t este:
1 s
Pt p0 e st
1 * s!
În particular pentru s = 1 avem ρ* = ρ deci formulele precedente capătă forma
simplificată:
1 U 1
a) p0 ; p1 ; b) U ; c) W ; d) L ;
1 1 1 1- 2
e) Pr ; f) Pt e t
1 1 2
Exemple
1) La un depozit en-gros de legume fructe sosesc în medie ρ = 36 maşini pe zi şi sunt
servite în medie μ = 12 maşini pe zi. Dacă depozitul are s = 4 echipe de servire, se cer:
a) Probabilitatea p5 a existenţei a 5 maşini în sistem;
b) Numărul mediu U de cereri în sistem;
c) Timpul mediu W de aşteptare în sistem;
d) Numărul mediu L de echipe de servire ocupate;
e) Probabilitatea Pr de a refuza cereri;
f) Probabilitatea P0.5 de a aştepta în sistem cel puţin ½ de zi.
Soluţie
Avem un sistem de aşteptare cu s = 4 staţii.
3
Avem λ = 36; μ = 12; s = 4 deci: 3; * 0.75 1; t 0.5
S 4
1
2 3 4 5 1 5
a) p0 1 0.071; p 5 p0 3.6%
1! 2! 3! 4! 5! 1 * 5!4
5 *
b) U p0 4.7 cereri în sistem
5! 1 * 2
73
U
c) W 0.13 zile
d) L = ρ = 3 echipe de servire ocupate
e) Pr = 0 de refuz cereri
s 1
f) Pt p0 e st (1 *) 0.14%
s! 1 *
Avem λ = 160; μ = 100; ρ = 1.6; * 0.8 1 , t = 0.01
s
1
2
a) p0 1 0.2577
2
ρ4
p 4 p 0 7%
4!
3
b) U p0 1.4 cereri în sistem
3!
U
c) W 0.009 zile
2 1
d) L 1 p0 3.7 staţii
2! 1 *
ρ2
e) Pr p 0 33%
2!
1 s
f) P0.01 p0 e st 22.3%
1 * s!
4.4 Rezumat
4.5 Întrebări
1 Cum se simulează valorile variabilelor aleatoare discrete şi continue prin metoda Monte-
Carlo ?
2. Ce sunt fiabilitatea şi ritmul de defectare al unei maşini agricole ?
3. Care sunt parametrii de intrare/ieşire ai unui sistem cu cerere şi servire aleatoare cu
aşteptare , mixt şi cu refuz ?
4.7 Bibliografie
CAPITOLUL 5.
Conţinut :
Populaţia statistică este o mulţime de exemplare care aparţin aceleiaşi familii şi care
fac obiectul cercetării statistice.
Cercetarea statistică poate fi completă sau exhaustivă (pentru toate exemplarele
populaţiei) de tip referendum sau recensământ sau poate fi parţială sau selectivă de tip
sondaj (eşantion, probă, sondaj de opinie) (pentru o parte reprezentativă din exemplarele
populaţiei).
Exemple de populaţii statistice în agricultură: plantele unei culturi într-o parcelă,
animalele unei ferme zootehnice, maşinile agricole care deservesc o suprafaţă arabilă, fermele
vegetale sau zootehnice dintr-un judeţ, unităţile de prelucrare a produselor agricole (mori,
fabrici de ulei, zahăr, produse lactate, mezeluri, abatoare, etc.), magazinele care
comercializează produse alimentare, reţeaua de case de agroturism, reţeaua de unităţi de
alimentaţie publică, etc.
Fiecare exemplar al populaţiei statistice are o serie de însuşiri cantitative
(măsurabile) sau calitative (atributive) notate X, Y, Z, … sau X1, X2, …, Xn pe care le vom
numi în continuare şi caractere.
Pentru populaţiile statistice din agricultură, însuşirile admit şi alte clasificări:
- după natură: însuşiri biologice, tehnologice, economice, ecologice;
- după modul de exprimare numerică: însuşiri bivalente (0 sau 1), întregi şi reale
(fracţionare);
- după modul de apreciere: însuşiri primare (numai măsurabile) şi însuşiri
derivate (măsurabile sau calculabile);
- după gradul de generalitate: însuşiri individuale (proprii fiecărui element al
populaţiei) şi colective (proprii unor grupe de elemente ale populaţiei).
întâmplării (hazardului) fiind de fapt în fiecare moment, variabile aleatoare iar în timp,
procese aleatoare (vezi cap. 2).
Acţiunea întâmplării asupra însuşirilor (caracterelor) în agricultură se concretizează în
variabilitatea valorilor acestora în spaţiu, timp, structură, etc. variabilitatea poate fi
accidentală (involuntară) sau sistematică(cu o cauză precisă).
Variabilitatea accidentală este presupusă a fi o variabilă normală cu media 0 şi
abaterea – standard σ (vezi cap. 3)
Exemplu
Pe un ha cu porumb există N = 75.000 plante recoltabile din care extragem un sondaj
de n = 75 plante reprezentative.
n 75
Cota de reprezentare este 1 : 1000 plante.
N 75000
Un sondaj se poate efectua în două feluri:
I. Static: se fac măsurători simultane la un moment dat pe n exemplare extrase
din populaţie obţinându-se astfel repartiţia în spaţiu a însuşirii X analizată prin datele de
sondaj.
II. Dinamic: se fac măsurători consecutive în n momente de timp succesive pe
acelaşi exemplar al populaţiei statistice, obţinându-se astfel evoluţia în timp a însuşirii X
analizată prin datele de sondaj.
Tehnica de efectuare a unui sondaj, depinde de compoziţia populaţiei în raport cu
însuşirea X.
Avem situaţiile:
a) Populaţia este omogenă în raport cu însuşirea X adică orice valoare a lui X este în
mod egal probabil proprie fiecărui exemplar al populaţiei.
În acest caz se efectuează un sondaj simplu repetat sau nerepetat.
Sondajul simplu repetat se efectuează prin extragerea suscesivă a exemplarelor din
populaţie şi revenirea în populaţie a fiecărui exemplar după măsurarea însuşirii X (schema
bilei revenite). Avantajul acestui tip de sondaj este că extragerile din populaţie sunt
independente iar dezavantajul este că la controlul calităţii produselor, orice exemplar chiar
dacă este rebut, trebuie întors în populaţie.
Sondajul simplu nerepetat se efectuează prin extragerea simultană a exemplarelor din
populaţie şi revenirea acestora în populaţie (dacă nu sunt rebuturi) după efectuarea tuturor
măsurătorilor pe ele relativ la însuşirea X (schema bilei nerevenită).
78
Dezavantajul acestui tip de sondaj este că extragerile din populaţie sunt dependente.
Dacă volumul de sondaj n este relativ mare rezultatele obţinute prin sondajul simplu repetat
sau nerepetat sunt aproximativ aceleaşi.
b) Populaţia este neomogenă în raport cu însuşirea X dar se poate împărţi în k
straturi omogene în raport cu X, volumul straturilor fiind N1, … Nk. Evident avem N1 + …+
Nk = N. În acest caz se efectuează un sondaj stratificat care constă în k sondaje simple,
repetate sau nerepetate, din straturi cu volumele de sondaj din straturi n1, …, nk. Evident avem
n1+ …+ nk = n.
Prezentăm câteva tipuri de sondaj stratificat:
n
a. Sondaj tipic: n1 ... n k ;
k
n1 n n N N
b. Sondaj proporţional: ... k deci n1 n 1 ,..., n k n k
N1 Nk N N N
n1 n n
c. Sondaj optim: ... k deci
N1 1 N k k N i i
N1σ1 N σ
n1 n ,..., n k n k k
N iσi N iσi
Aici σ 1, … σ k sunt abaterile standard ale exemplarelor din straturi în raport cu
caracterul X ca variabilă aleatoare (vezi cap. 2).
N
Observăm că pentru N1 = …= Nk = sondajul tipic şi cel proporţional coincid iar
k
pentru σ 1 = …= σ k = σ sondajul proporţional şi cel optim coincid.
N1 N
În cazul unei populaţii infinite p1 ,..., k p k deci pentru tipurile de sondaj
N N
stratificat precedent, avem:
n
a. Sondaj tipic: n1 = … = nk = ;
k
b. Sondaj proporţional: n1 = np1, …, nk = npk
p1σ1 p σ
c. Sondaj optim: n1 n ,..., n k n k k .
piσi pi σ i
Exemplu
O turmă de ovine de volum N = 1000 capete are structura N1 = 700 mioare, N2 = 250
miei, N3 = 50 berbeci.
Pentru analiza însuşirii X = lungimea firului de lână efectiv din sondaj de n = 60
ovine. Ştiind că abaterile – standard în straturi sunt σ 1 =1 cm; σ 2 = 0.8 cm şi σ 3 = 2 cm, se
cer volumele de sondaj din straturi pentru diferite tipuri de sondaj stratificat.
Soluţie
a) Pentru sondajul tipic n1 = n / 3 =20 mioare; n2 = n / 3 =20miei; n3= n / 3 =20
berbeci;
700
b) Pentru sondajul proporţional n1 = 60 42 mioare,
1000
250
n2 = 60 15 miei şi n3 = n – n1 – n2 = 3 berbeci;
1000
79
c) Pentru sondajul optim Ni σ i = 700x1 + 250 x 0.8 + 50x2 =1000 aşa că: n1 =
700 1 250 0.8
60 42 mioare; n2 = 60 12 miei şi n3 = n – n1 – n2 = 6 berbeci.
1000 1000
X MX
xi
n
Media de sondaj este centrul de greutate al datelor de sondaj x1, …, xn fiind cea
mai apropiată de ansamblul valorilor: SPA(x) = (x1 – x)2 +…+ (xn – x)2 este minimă pentru
x = x.
Aici SPA este prescurtarea pentru suma patratelor abaterilor.
1
X12 ... X 2n 2
- media pătratică: X 2
n
Avem X a ≤ X g ≤ X .
Dacă X1,…,Xn sunt depuse în celulele A1:An din coloana A în EXCEL
media X este dată de funcţia EXCEL scrisă în celula B1 : = AVERAGE(A1: An) ,
media geometrică X g este dată de funcţia EXCEL scrisă în celula B2 : = GEOMEAN
(A1:An) iar media armonică X a este dată de funcţia EXCEL scrisă în celula B3 : =
HARMEAN (A1:An) .
II. Mediana Me este acea valoare faţă de care jumătate din numărul valorilor de
sondaj sunt mai mici ca ea şi cealaltă jumătate din numărul valorilor de sondaj sunt mai mari
ca ea.
Aranjăm datele de sondaj în ordine crescătoare: x1 < x2 < … < xn.
1
Dacă n = număr par avem Me x k x k 1 iar dacă n = număr impar avem
2 2 2
Me X k 1 .
2
Mediana Me este mai stabilă faţă de media X la valori de sondaj foarte mici faţă de
restul valorilor de sondaj, deoarece ia în calcul numărul de valori de sondaj nu şi mărimea
valorilor de sondaj.
În plus, SMA(X) = X1 X ... X n X este minimă pentru X = Me.
Aici SMA este prescurtarea pentru suma modulelor abaterilor. Mediana primei
jumătăţi a datelor de sondaj crescătoare, se numeşte cuartila întâia Q1 . Me = Q2. Analog Q3
pentru a doua jumătate a datelor .
a min
1) Coeficientul de variabilitate c este o valoare mărginită (cuprins între 100
X max
a max
şi 100 ).
X min
2) Coeficientul de variabilitate c nu are unităţi de măsuri, deci permite comparaţii
între caractere.
3) Coeficientul de variabilitate c poate aprecia cu ajutorul unor praguri intensitatea
variabilităţii datelor de sondaj în jurul mediei lor.
În raport de valorile coeficientului de variabilitate c avem cazurile:
a) Coeficientul de variabilitate c are o valoare mică. În acest caz variabilitatea datelor
de sondaj este mică, omogenitatea este mare şi media X este foarte bună;
b) Coeficientul de variabilitate c are o valoare mijlocie. În acest caz variabilitatea
datelor de sondaj este mijlocie, omogenitatea lor este mijlocie şi media X este bună;
c) Coeficientul de variabilitate c are o valoare mare. În acest caz variabilitatea datelor
este mare, omogenitatea este mică şi media X este satisfăcătoare.
De exemplu pentru agricultură cazurile precedente au forma:
a) c < 10%; b) c (10%; 20]; c) c > 20%.
În cazul c) se pune problema existenţei unei cauze sistematice pentru variabilitatea
mare a datelor de sondaj.
Exemplu
Fie o populaţie statistică de plante de porumb la recoltarea pe suprafaţa de 1 ha cu
volumul populaţiei N = 75000 plante recoltabile.
Fie X = greutatea boabelor pe plantă la recoltare (g).
Efectuăm un sondaj de n = 10 plante reprezentative deci cota de reprezentare este
n
1 : 7500 plante.
N
Datele de sondaj se aranjează în
ordine crescătoare în tabelul alăturat. Xi X i- X (Xi- X )2 Xi X
Avem indicatorii de sondaj: S
500
I) X 50 g/plantă
10 40 -10 100 -1.43
II) Me = [48; 51] deci 42 -8 64 -1.14
Me = 49.5 g/plantă 45 -5 25 -0.71
448 45 -5 25 -0.71
III) S2 49.8 g 2
10 1 48 -2 4 -0.29
IV) S 49.8 7 g / plantă 51 1 1 0.14
7 54 4 16 0.57
V) C 14% 57 7 49 1.00
50 58 8 64 1.14
5.2.2. Cazul sondajului de volum 60 10 100 1.43
mare (n > 30) 500 0 448 -
83
În acest caz se face gruparea datelor de sondaj în clase de valori astfel: se fixează
numărul k de clase de valori care nu trebuie să fie nici prea mic, deoarece se şterg trăsături
esenţiale ale datelor de sondaj, nici prea mare, deoarece se pun în evidenţă trăsături
neesenţiale ale datelor de sondaj.
Acest număr k de clase de valori se poate calcula cu una din formulele k < 5 log n, k =
1 + 3.322 log n sau se folosesc recomandabil orientative de mai jos.
1 k 2 n k 2
S n X
i i X fi Xi X
n 1i1 n 1i1
Datorită grupării în clase de valori şi a aproximării valorilor dintr-o clasă cu centrul
2
clasei xi, S suferă o eroare care se înlătură prin corecţia Sheppard S ' S 2 unde l este
12
lungimea claselor de valori.
V) Coeficientul de variabilitate de sondaj:
S
c 100
X
VI) Coeficientul de asimetrie de sondaj:
3
1 k X X 1 k 3
A ni i niU i
n i 1 S n i 1
4
1 k X X 1 k 4
B ni i niU i
n i 1 S n i 1
n2
Skew .A
(n 1)(n 2)
este dat de funcţia EXCEL scrisă în coloana B11 : = SKEW(A1:An)
iar coeficientul de boltire ajustat(numit Kurtozis) :
n 2 (n 1) 3(n 1)2
Kurt .B
(n 1)(n 2)(n 3) (n 2)(n 3)
este dat de funcţia EXCEL scrisă în coloana B12 : = KURT(A1:An).
Exemple
1)Frecvenţele relative f1,…,fk ale datelor de sondaj de volum mare,grupate în clasele de
valori C1,…,Ck cu centrele de clase x1,…,xk definesc structura sondajului pe clase de
valori .
2) Fie k ramuri ale unei unităţi economice şi fie C1,…,Ck cheltuielile totale
(productive şi neproductive) anuale ale ramurilor.Cheltuielile totale anuale
ale întregii unităţi sunt C = C1+…+Ck
Numerele f1=C1/ C ,…,fk = C1/ C definesc structura de cheltuieli a unităţii pe ramuri .
In mod analog , fie V1,…,Vk veniturile totale anuale ale ramurilor şi fie
V = V1+…+Vk total anual al unităţii .
Numerele f1 = V1/ V ,…, fk = Vk/ V definesc structura de venituri a
unităţii pe ramuri .
Concentrarea unei structuri de date este tendinţa de creştere a ponderii
fi a unei componente în detrimentul celorlalte,inclusiv micşorarea numărului k de
componente .
Concentrarea structurii este maximă dacă fi = 1 şi fj = 0 pentru j≠ i.
Diversificarea structurii de date este tendinţa de egalizare valorică a
ponderilor f1,…,fk ale celor k componente ale structurii, inclusiv prin mărirea numărului k de
componente .
87
S
f i 1
deoarece f i 1
k 1
Pentru concentrarea maximă avem S= 1 / (k)1/2 iar pentru diversificarea
maximă avem S = 0 .
Abaterea-standard corectată :
k fi 2 1
S k .S [0;1]
k 1
este un indicator al concentrării structurii pe componente şi se poate exprima în
procente.
Entropia structurii este dată de relaţia :
k
H f .og
i=1
i f
2 i
k
1
H fi .og 2 fi
og 2 k i 1
2
1 B1 f i fi g i
B0 g B1 . f
k k fi 2 1
Conform teoremei 2.9, dacă | R | =1 avem legătura funcţională liniară între
cele două structuri ,dată de relaţia : g = B0 + B1.f
Avem R=1 dacă B1>0 şi R=-1 dacă B1<0 .
Dacă R = 0 ,cele două structuri nu sunt corelate liniar .
Exemplu
Dacă (f1,…,fk) este structura de venituri sau cheltuieli a unei unităţi
economice în anul de bază şi (g1,…,gk ) este structura de venituri sau cheltuieli a aceleiaşi
unităţi în anul curent , R măsoară gradul de stabilitate
a structurii în timp .
Dacă caracterul X are numai valori întregi, datele de sondaj de volum mare (n > 30) se
pot grupa pe valori distincte Xi cu frecvenţele absolute ni sau se poate alege un număr de
clase k astfel ca lungimea l a claselor să fie număr întreg deci şi limitele claselor să fie numere
întregi.
Exemplu
Fie o populaţie statistică de plante de porumb la recoltare de pe 1 ha cu volumul
populaţiei N = 75000 plante recoltabile. Pentru a studia greutatea boabelor pe plantă X în
grame, efectuăm un sondaj reprezentativ de n = 50 plante deci cota de reprezentare
n 50
1 : 1500 plante.
N 75000
Date de sondaj în grame:
50; 45; 40; 48; 47; 53; 49; 56; 58; 60; 42; 48; 49; 51; 54; 53; 46; 49; 48; 46; 55; 59;
52; 44; 48; 43; 49; 51; 50; 52; 44; 55; 43; 49; 47; 50; 54; 56; 59; 49; 48; 51; 50; 51; 47; 46;
42; 53; 51.
Să se grupeze datele în k = 5 clase de valori, să se reprezinte grafic histograma,
poligonul frecvenţelor, cumulata şi să se calculeze indicatorii statistici de la punctul I) – VII).
Soluţie
Numărul de clase este k = 5 , lungimea unei clase de valori este :
60 40
4g .
5
Clase Centre clase Frecvenţe ni Frecvenţe n*i Frecvenţe Frecvenţe f*i
Xi fI
Sub 44 g 42 g 5 plante 5 plante 0.10 0.10
[44 – 48 g) 46 9 14 0.18 0.28
[48 – 52 g) 50 21 35 0.42 0.70
[52 – 56 g) 54 9 44 0.18 0.88
peste 56 g 58 6 50 0.12 1.00
Graficele sunt:
Histograma :
89
Poligonul frecvenţelor :
Cumulata :
90
I) Media de sondaj:
1
X 5 40 9 46 21 50 9 54 6 58 50.16 g/plantă
50
II) Mediana de sondaj Me = 50 g
III) Modul de sondaj Mo = 50 g
IV) Abaterea standard de sondaj:
1 2 2 2 2 2
S 5 42 50.16 9 46 50.16 21 50 50.16 9 54 50.16 6 58 50.16 =
49
4
= 4.5 g/plantă. Corecţia Shepard: S ' S 2 4.46 g
12
4.5
V) Coeficientul de variabilitate de sondaj: C 9%
50.16
VI) Coeficientul de asimetrie de sondaj:
1 3 3 3 3 3
A 5 42 50.16 9 4650.16 21 5050.16 9 5450.16 6 5850.16 ==0.008
3
504.5
VII) Coeficientul de boltire de sondaj:
1 4 4 4 4 4
B 5 4250.16 9 4650.16 21 5050.16 9 5450.16 6 5850.16 =2.41
4
504.5
VIII) Coeficientul de concentrare de sondaj:
5 0.102 0.182 0.42 2 0.182 0.122 1
S 28.6 %
5 1
Desigur indicatorii X , Me, S, c puteau fi calculaţi şi din cele n = 50 valori de sondaj
înainte de gruparea datelor.
Dacă X este însuşire calitativă (atributivă), facem convenţia:
91
Fie o populaţie statistică pe care o studiem din punct de vedere al însuşirii cantitative
X.
Dacă însuşirea X ia valori întregi, datele unui sondaj extras din populaţie la
momentele de timp t1, t2, …, tn sunt valori instantanee x1, …, xn măsurate în acele momente
de timp.
Dacă însuşirea X ia valori reale, datele unui sondaj extras din populaţie în intervalele
de timp [t1, t2), [t2, t3), …, [tn-1, tn] sunt valori medii x1, …, xn măsurate în acele intervale de
timp cu lungimile t2-t1, t3-t2, …, t n – t n – 1 .
Exemplu
X = efectivul anual de vaci al unei ferme zootehnice se măsoară prin valori instantanee
(la 31 decembrie al anului calendaristic).
X = producţia anuală de lapte al vacilor dintr-o fermă zootehnică se măsoară prin
valori medii pe perioada 1 ianuarie – 31 decembrie a anului calendaristic sau pe perioada
medie de lactaţie normală de 308 zile.
Măsurătorile sunt echidistante dacă t2–t1 = t3–t2 = … = tn-tn-1 şi neechidistante în caz
contrar.
Exemplu de măsurători echidistante
Producţia de lapte a vacilor se controlează echidistant din 28 în 28 zile astfel că într-o
lactaţie normală de 308 zile se efectuează 11 controale ale producţiei de lapte.
Prezentarea grafică a datelor de sondaj de evoluţie instantanee se face prin poligonul
valorilor în raport cu axele (ti, xi) iar a datelor de sondaj de evoluţie se face prin cronograma
în raport cu axele ([ti, ti+1), xi).
92
I) Media cronologică
Dacă X se măsoară prin valori instantanee x1, …, xn la momentele de timp t1, …, tn
avem:
x t t1 x 2 t 3 t 2 ... x n 1 t n t n 1
(1) X C 1 2
t n t1
Dacă X se măsoară prin valori medii x1, …, xn în intervalele de timp [t1, t2), [t2, t3), …,
[tn-1, tn] avem:
x1 x 2
t 2 t1 x 2 x 3 t 3 t 2 ... x n 1 x n t n t n 1
(2) X m 2 2 2
t n t1
În cazul măsurătorilor echidistante în timp, avem t2 - t1 = t3 – t2 =, …,= t n – t n – 1 = d
şi t n – t1 = (n – 1 ).d deci :
X1 X 2 ...X n 1
(3) X C respectiv:
n 1
X1 X
X 2 ... X n 1 n
(4) X m 2 2
n 1
II) Ritmul mediu valoric(absolut) de evoluţie
Abaterile valorice ale datelor de sondaj consecutive sunt D1 = X2 – X1, …,
Dn – 1 = X n – X n – 1 . Ritmul mediu valoric de evoluţie al datelor de sondaj va fi:
(5) D
x 2 x1 t 2 t1 x 3 x 2 t 3 t 2 ... x n x n 1 t n t n 1
t n t1
P
P = x1 + (m – 1)D – x1 = (m – 1) D deci X variază valoric cu cantitatea P. în m 1
D
perioade de timp.
Dacă notăm x1 + … + xm = Q avem:
mm 1
mX1 D Q de unde
2
D 2X1 D 2X1 8DQ
m
2D
adică numărul de perioade de timp în care se acumulează cantitatea finală Q a
caracterului X respectiv în care se consumă cantitatea iniţială Q a caracterului X.
(8) log I
logX 2 log X 1 t2 t1 ... logX n log X n 1 tn tn 1
tn t1
deci logaritmul lui I este ritmul mediu valoric de evoluţie al valorilor de sondaj
logaritmate.
Dacă măsurătorile sunt echidistante avem:
t2 - t1 = t3 – t2 = … = t n – t n – 1 = d iar tn – t1 = (n – 1).d deci avem :
log X n log X 1
log I adică :
n 1
1
X n1
(9) I n
X1
Valorile aşteptate ale datelor de sondaj de evoluţie formează o progresie geometrică cu
raţia I: X1, X1.I, …, X1 .I n – 1
Aceste valori aşteptate X1.Ij se apropie de cele observate Xj atunci când
caracterul X evoluează numai crescător sau numai descrescător în timp şi abaterile
procentuale ale datelor de sondaj consecutive, notate cu I1,…,I n – 1 sunt toate
supraunitare sau toate subunitare şi apropiate între ele ca valoare (caracterul X are o
evoluţie exponenţială în timp ).
In caz contrar se ajustează aceste abateri procentuale I1,…,I n – 1 cu o funcţie de
regresie neliniară in raport cu timpul ca în secţiunea 10.3
Pe durata a m perioade de timp variaţia procentuală a lui X va fi
X I m 1 log P
P 1 I m 1 deci X variază procentual cu valoarea P în m 1 perioade de timp.
X1 log I
94
I m 1
Dacă notăm X1 + … + Xm = Q avem: X 1 Q de unde
I 1
Q
log I 1 1
X1
m adică numărul de perioade de timp în care se acumulează
log I
cantitatea finală Q a valorilor caracterului X respectiv în care se consumă cantitatea iniţială Q
a valorilor caracterului X.
Exemplu
Fie X = greutatea porcilor la îngrăşat (kg).
Fie ti vârsta în zile a porcilor.
Se fac n = 10 controale echivalente din 28 în 28 zile.
Se cer X , D, I.
Soluţie
1 1
X 1 X 2 ... X n 1 X n
X 2 2 66.4 kg
n 1
X X1 log X n log X 1
D n 13 kg; log I 0.178 deci I = =100.178 =1.57
n 1 n 1
1 1
XC X1 X 2 t 2 t1 ... 1 X n 1 X n t n t n 1
t n t1 2 2
- ritmul mediu valoric global:
1
D X 2 X1 t 2 t1 ... X n X n 1 t n t n 1
t n t1
- ritmul mediu procentual global I unde :
1
log I log X 2 log X 1 t2 t1 ... log X n log X n 1 tn tn 1
tn t1
Pentru evoluţia caracterului X în timp avem pentru exemplarul de sondaj numărul i
media de evoluţie:
1 1 1
X Ci X i1 X i 2 t 2 t 1 ... X i, n 1 Xin t n t n 1
t n t1 2 2
Medii
tj 28 56 84 112 140 168 196 224 252 280 cronologice
Repetiţia C X Ci
1 3 12 26 42 60 78 94 104 117 120 66.4
2 3 13 27 43 61 78 94 106 115 118 66.4
3 3 12 25 41 59 77 94 109 118 122 66.4
4 4 13 27 43 61 77 92 104 112 115 65.4
5 3 12 25 41 59 78 96 111 121 125 67.4
Medii sondaj 3.2 12.4 26 42 60 77.6 94 107.4 116.6 120
X =66.4
Xj X C=66.4
Pe baza datelor din tabel şi a mediilor de la capetele de tabel să le calculeze indicatorii
de repartiţie şi evoluţie globali.
96
Soluţie
X1 X
X 2 ... X n 1 n
Media cronologică globală: X C 2 2 66.4 kg.
n 1
X n X1
Ritmul mediu valoric global: D 13 kg.
n 1
log X n log X 1
Ritmul mediu procentual global: log I 0.175
n 1
deci I = 100.175 = 1.49
1
Media de sondaj globală: X
n
X C1 ... X C n 66.4 kg.
Abaterea standard de sondaj globală:
1 2 2
S
n 1
X C1 X ... X C n X 0.47 kg
S
Coeficientul de variabilitate de sondaj global: C 100 0.7%
X
Dacă datele de sondaj de evoluţie sunt numeroase, ele pot fi grupate în clase de valori
pe perioade mai mari de timp.
De exemplu măsurătorile zilnice se pot grupa pe săptămâni câte 7 sau pe decade, sau
pe luni câte 30 sau pe trimestre câte 90, etc.
Fie datele de sondaj de evoluţie x1, …, x n culese la momentele de timp t1, …, t n unde
n este un număr relativ mare.
n
Dacă m este un divizor al lui n şi p grupăm datele de evoluţie în clasele: C1 =
m
{x1, …, xm}, C1 = {xm + 1, …, x 2 m}, …,Cp = {x(p – 1 ) m + 1, …, x p m}
Indicatorii de sondaj de evoluţie ai claselor se numesc indicatori de evoluţie pe
grupe.
Pentru clasele Cj = {x i + 1, …, x i + m} cu i = 0, m, 2m, …, (p-1)m şi
i
j 1 1,2,..., p cu valori de sondaj culese la momentele t i + 1, …, t i + m avem:
m
- Mediile pe grupe:
1 1 1
XC j xi 1 xi2 ti 2 ti 1 ... xi m1 xim tim ti m1
ti m ti 1 2 2
1
Dj xi 2 xi 1 ti 2 ti 1 ... xi m xi m 1 ti m ti m 1
ti m ti 1
1
log I j log xi 2 log xi 1 ti 2 ti 1 ... log xim log xi m1 ti m tim1
tim ti1
Exemplu
Fie X = greutatea zilnică a puilor de carne (g).
Avem date de sondaj în n = 49 zile date mai jos.
Să se grupeze datele pe săptămâni (câte 7) şi să se calculeze indicatorii de sondaj de
evoluţie pe grupe .
Date de sondaj: C1 = {2.4; 9.3; 20.8; 36.4; 56.2; 79.8; 107.1}
C2 = {137.9; 172.1; 209.4; 249.7; 292.7; 338.3; 386.3}
C3 = {436.4; 488.6; 542.6; 598.1; 655.1; 713.3; 722.5}
C4 = {832.5; 893.1; 954.1; 1015.3; 1076.5; 1137.5; 1198.1}
C5 = {1258.1; 1317.2; 1375.4; 1432.2; 1487.7; 1541.4; 1593.3}
C6 = {1643.1; 1690.5; 1735.4; 1777.6; 1816.8; 1852.9; 1885.5}
C7 = {1914.6; 1939.7; 1960.8; 1977.6; 1989.9; 1997; 2000}
Indicatorii de evoluţie pe grupe ai celor 7 clase de greutăţi, grupate pe săptămâni sunt
date de tabelul:
Săptămâna X Cj Dj Ij
(j, j+m-1)
[1 – 7] 42.875 17.45 0.633
[8 – 14] 254.883 41.40 0.426
[15 - 21] 596.192 47.68 0.395
[22 - 28] 1015.300 60.93 0.387
[29 - 35] 1429.933 55.87 0.381
[36 - 42] 1772.917 40.40 0.375
[43 - 49] 1970.450 14.23 0.370
TOTAL X =1011.454 D=41.62g I=0.422
I. În multe situaţii întâlnim caractere Z compuse din produse ale altor caractere X,Y :
Z=X.Y cu valori diferite : Z0=X0.Y0 respectiv Z1=X1.Y1 .
Exemple:
- Cheltuielile cu o resursă = consumul de resursă x costul unităţii de resursă ;
- Venitul din vânzarea unui produs agricol = producţia fizică x preţul de vânzare ;
- Venitul dim muncă = productivitatea muncii(venit pe muncitor) x nr. muncitori .
În acest caz putem calcula :
D(Z)=Z1- Z0 ; I(Z)= Z1/ Z0 ; R(Z)=D(Z) / Z0 .
Avem relaţiile :
I(Z)=I(X.Y)=I(X).I(Y) ; R(Z)=R(X.Y)=I(X).I(Y)-1
Avem şi mărimile :
- produsul mediu : PM(Z) = Z0 = X0.Y0
- produsul marginal : PD(Z) = (X1- X0).(Y1 – Y0) = D(X).D(Y)
- elasticitatea produsului : EP(Z) = PD(Z) / PM(Z) = R(X).R(Y)
II. În multe situaţii întâlnim caractere Z compuse din rapoarte(rate) ale altor caractere
X,Y : Z=X /Y cu valori diferite : Z0=X0 / Y0 respectiv Z1=X1 / Y1 .
Exemple:
- Rata profitului = Profit / Cheltuieli ;
- Costul unităţii de produs = Cheltuieli cu produsul / Producţia fizică ;
- Rata şomajului = Număr şomeri / Număr persoane active .
În acest caz putem calcula :
D(Z)=Z1 - Z0 ; I(Z)= Z1/ Z0 ; R(Z)=D(Z) / Z0 .
Avem relaţiile :
I(Z)=I(X /Y)=I(X) / I(Y) ; R(Z)=R(X / Y)=I(X) /I(Y)-1
Avem şi mărimile :
- rata medie : PM(Z) = Z0 = X0 / Y0
- rata marginală : PD(Z) = (X1- X0) / (Y1 – Y0) = D(X) / D(Y)
- elasticitatea ratei : EP(Z) = PD(Z) / PM(Z) = R(X) / R(Y)
Indicii statistici sunt numere relative rezultate din compararea valorilor unui indicator
statistic la diferite momente de timp,în locuri diferite sau în categorii diferite în raport cu un
criteriu.
Indicii calculaţi la momente diferite de timp, se numesc indici ai dinamicii.
Indicii calculaţi în locuri diferite, se numesc indici teritoriali.
Indicii calculaţi în categorii diferite în raport cu un criteriu,se numesc indici calitativi.
În calculul indicilor se aleg două momente de timp/locuri/categorii :
1) Momentul de timp/locul/categoria de bază (de referinţă) , notată cu 0 .
2) Momentul de timp/locul/categoria curentă ,notată cu 1
Pentru elemente omogene se calculează indici elementari(individuali) iar
pentru elemente neomogene se calculează indici sintetici (de grup) .
Calităţi şi defecte ale indicilor
1. Sunt mărimi mărginite pozitive.
2. Nu au unităţi de măsură deci se pot compara între ei.
3. Nu sunt sensibili la înmulţirea şi împărţirea datelor.
4. Indicii sintetici se pot calcula numai pentru cheltuieli şi venituri .
Exemplul 1
99
A. Indici individuali :
- pentru consumuri :
IQ (R1) =Q11 / Q10 =110 / 120 = 0.92
IQ (R2) = Q21 / Q20 = 220 / 210 = 1.05
IQ (R3) = Q31 / Q30 = 800 / 1000 = 0.80
IQ = [IQ(R1). IQ(R2). IQ(R3)]1 / 3 = 0.916
- pentru costuri :
IC (R1 ) = C11 / C10 = 18000 / 12000 = 1.50
IC (R2) = C21 / C20 = 8000 / 6000 = 1.33
IC (R3) = C31 / C30 = 500 / 300 = 1.60
IC = [IC(R1). IC(R2). IC(R3)]1 / 3 = 1.494
- pentru cheltuieli :
ICH (R1) = (Q11C11) / (Q10C10) = 1.98 / 1.44 = 1.375
ICH (R2) = (Q21C21) / (Q20C20) = 1.76 /1.26 = 1.40
ICH (R3) = (Q31C31) / (Q30C30) = 0.40 /0.30 = 1.33
ICH = [ICH(R1). ICH(R2). ICH(R3)]1 / 3 = 1.368
Observaţii :
i) Indicele Laspeyres este medie aritmetică ponderată a indicilor individuali I(Ri) cu
ponderile : Ui = (Qi0Ci0) / ( ΣQi0Ci0) deci Σ Ui = 1.
- pentru consumuri :
IL(Q) = Σ IQ(Ri).Ui
- pentru costuri :
IL(C) = Σ IC(Ri).Ui
ii) Indicele Paasche este medie armonică ponderată a indicilor individuali I(Ri)
cu ponderile : Vi = (Qi1Ci1) / (Σ Qi1Ci1) deci ΣVi = 1 :
- pentru consumuri :
[ 1 / IP(Q) ] = Σ [ 1 / IQ(Ri ) ]. Vi
- pentru costuri :
[ 1 / IP(C) ] = Σ [ 1 / IC(Ri ) ]. Vi
iii) Indicele total este produsul indicilor Laspeyres şi Paasche :
IT (CH)= IL(Q).IP(C) = IL(C).IP(Q)
Observaţii :
iv) Pentru indicii 7) - 9) avem relaţia : ISV = ISF.IVS
v) Cu notaţiile Wi0 = Ci0 / (ΣCi0) deci ΣWi0 = 1 respectiv Wi1 = Ci1 / (ΣCi1) deci ΣWi1 = 1 ,
indicii 7) - 9) capătă forma de indici agregaţi :
ISV = (ΣQi1Wi1) / (ΣQi0Wi0) analog cu indicele total IT de la punctul 1)
ISF = (ΣQi1Wi1) / (ΣQi0Wi1) analog cu indicele Paasche IP(Q) de la punctul 3)
IVS = (ΣQi0Wi1) / (ΣQi0Wi0) analog cu indicele Laspeyres IL(C) de la punctul 2)
101
Exemplul 2
Fie trei produse : T1(Grâu) ; T2(Porumb) ; T3(Floarea soarelui).
Baza este anul 2000 iar anul curent este 2003.
Yi este producţia fizică a produsului Ti (Kg/ha) , Di este preţul de vânzare al unităţii de
producţie fizică a produsului Ti (lei/kg) iar Vi=Yi.Di este venitul obţinut din vânzarea
produsului Ti (milioane lei/ha).
A) Indici individuali :
- pentru producţii :
IY(T1) = Y11 / Y10 = 3500/3000 = 1.17
IY(T2) = Y21 / Y20 = 6000/5000 = 1.20
IY(T3) = Y31 / Y30 = 2000/1800 = 1.11
IY = [IY(T1). IY(T2). IY(T3)]1 / 3 = 1.159
- pentru venituri :
IV(T1) = Y11D11 / Y10D10 = 14/6 = 2.33
IV(T2) = Y21D21 / Y20D20 = 24/12.5 = 1.92
IV(T3) = Y31D31 / Y30D30 = 24/18 = 1.33
IV = [IV(T1). IV(T2). IV(T3)]1 / 3 = 1.814
deci β(Y)+β(D) = 1
Recalculăm variaţiile relative astfel :
I*L(Y) = IL(Y).[I(Y∩D)]β(Y) = 1.152
I*L(D) = IL(D).[I(Y∩D)]β(D) = 1.473
Verificare : IT(V) = I*L(Y). I*L(D)
Exemplul 3
Fie trei societăţi comerciale : S1(Vegetală) ; S2(Zootehnie) ;S3(Procesare produse
agrozootehnice).
Baza este anul 2000 iar anul curent este 2003.
NI este numărul de muncitori în ramura Si , Pi este productivitatea muncii în ramura Si
(milioane lei venit/muncitor) iar Wi=Ni.Pi este venitul din forţa de muncă în ramura Si
(milioane lei/an).
A) Indici individuali :
- pentru număr de muncitori :
IN(S1) = N11/N10 = 8/10 = 0.80
IN(S2) = N21/N20 = 12/15 = 0.80
IN(S3) = N31/N30 = 16/20 = 0.80
IN = [IN(S1). IN(S2). IN(S3)]1 / 3 = 0.800
- pentru productivităţi :
IP(S1) = P11/P10 = 15/10 = 1.50
IP(S2) = P21/P20 = 7/6 = 1.17
IP(S3) = P31/P30 = 12/10 = 1.20
IP = [IP(S1). IP(S2). IP(S3)]1 / 3 = 1.281
- pentru venituri :
IV(S1) = N11P11/N10P10 = 120/100 = 1.20
IV(S2) = N21P21/N20P20 = 84/90 = 0.93
IV(S3) = N31P31/N30P30 = 192/200 = 0.96
IW = [IW(S1). IW(S2). IW(S3)]1 / 3 = 1.024
Veniturile din forţa de muncă W sunt un indicator complex bifactorial de forma W = N.P
Variaţia veniturilor în timp este absolută :Δ(W)=ΣNi1Pi1 - ΣNi0Pi0
sau relativă : IT(V) = (ΣNi1Pi1) / ΣNi0Pi0
Aceste variaţii absolute sau relative , se pot descompune în componente cu
metoda restului/câtului nedescompus .
Variaţiile absolute sunt :
Δ(W)=ΣNi1Pi1 - ΣNi0Pi0 = 6
Δ(N)=ΣNi1Pi0 - ΣNi0Pi0 = - 78
Δ(P)=ΣNi0Pi1 - ΣNi0Pi0 = 105
Δ(N∩P)=( ΣNi1Pi1 - ΣNi1Pi0 ) - ( ΣNi0Pi1 - ΣNi0Pi0 ) = - 21
Verificare : Δ(W) = Δ (N) + Δ (P) + Δ ( N∩P )
pe produs : I p =
I j U(0)j I j U(0)j ;
U(0)j U (0)
p
(0)
I U
p p I p U p(0)
pe subgrupă : Is = (0)
;
U p U (0)
s
(0) (0)
pe grupă : Ig =
I U I U
s s s s
;
(0) (0)
U s U g
(0)
5.4 Rezumat
5.5 Întrebări
5.6 Bibliografie
CAP.6
Conţinut :
Cuvinte cheie : estimaţie corectă şi absolut corectă ,ipoteză simplă / compusă unilaterală
şi bilaterală ,funcţia de putere a testului , interval de încredere , diferenţă limită .
N 2
4) M(S2)= 2 ; V(S2)= ;
N 1 2n 2 N
Rezultă de aici că M( X )=μ; lim V X 0 , deci şi în acest caz X este estimaţie
n
N
absolut corectă pentru μ. De asemenea M(S2)= 2; lim V ( S ) 0 , deci S este
N 1 n
H este
adevărată 1-α α
Pentru ipoteza nulă H:μ=μ0 faţă de ipoteza alternativă H :μ≠μ0 funcţia de putere
a testului are graficul:
Testul cu funcţia de putere Π(W, θ)=maximă, se numeşte cel mai puternic test.
Se demonstrează:
Lema Neyman-Pearson
Testul ipotezei nule H:θ=θ0 faţă de ipoteza alternativă simplă H :θ=θ1 este cel
mai puternic test dacă zona critică W a testului satisface condiţia:
f ( x, 0 ) f ( x, 0 )
k dacă x W şi k dacă x W .
f ( x, 1 ) f ( x, 1)
Fie un sondaj simplu repetat de n valori independente x1, ...... ,xn extras din
populaţie.
Fie X media de sondaj şi S abaterea standard de sondaj (vezi secţiunea 5.2)
Teorema 6.1
X
Mărimea t n este variabilă Student cu n-1 grade de libertate.
S
Demonstraţie
x1, ...... ,xn fiind valori de sondaj independente extrase dintr-o populaţie normală
N(μ,σ) faţă de însuşirea cantitativă X, se poate arăta cu teoremele 2.2, 2.3, 3.7 că
1 1
X x1 x n este o variabilă normală cu media:
n n
1 1 1 1
M ( X ) M ( x1 ) M ( x n ) şi varianţa:
n n n n
1 1 1 2 1 2 2
V (X ) V ( x1 ) V ( x n ) .
n2 n2 n2 n2 n
X
Mai departe, n fiind variabilă N(0,1) şi conform teoremei 6.2 de mai
jos,
n 1S 2 fiind variabilă χ2 cu n-1 grade de libertate, variabila
2
n 1S 2
X 2 X
t n n este variabilă Student cu n-1 grade de libertate.
n 1 S
Q.E.D.
Din teorema 6.1 rezultă:
P (t 2 t t 2 ) 1 ,adică intervalul de încredere pentru μ:
S
1
P X / 2 ; X / 2 1 unde / 2
n
t / 2 este diferenţa limită.
2
S
n .t / 2
/ 2
Din tabela 2 din Anexă , conform relaţiei P t t / 2 , pe linia a n-1 grade de
libertate şi coloanele α= 0.05; 0.01 şi 0.001 găsim valorile critice
t2.5% ; t0.5% ; t0.05% cu ajutorul cărora găsim trei intervale de încredere pentru μ de
forma:
1) [ X 2.5% ; X 2.5% ]
cu încrederea 95% ;
113
Teorema 6.2
Mărimea 2
n 1S 2 este variabilă hi pătrat cu n-1 grade de libertate.
2
Demonstraţie:
2 2
2 n 1 S 2 x X xn X xi X
Avem 2
1 şi cum ui sunt
variabile N(0,1), independente câte două, χ2 este variabilă hi pătrat cu n-1 grade de
x X x X
libertate (căci avem relaţia de dependenţă 1 n 0 ) Q.E.D.
Din teorema 6.2 rezultă:
2 n 1 S 2 2
P 1 adică intervalul de încredere
1 2 2 2
pentru σ:
n 1 n 1
2 P 2 S ; 2 S 1 .
1
2 2
Reciproc, dându-se :
n 1 n 1
2
.S ' / 2 şi 2
.S '' / 2
/ 2 1 / 2
rezultă :
2 2
' ''
n1 / 2 .2 / 2 1 şi n2 / 2 .12 / 2 1
S S
114
n 1 n 1
3) 2
.S ; 2
.S
0.0005 0.9995
cu încrederea de 99.9%.
n 1 n 1
Ipoteza H:σ=σ0 se acceptă dacă: 0 2 S ; 2
S şi se respinge în caz contrar
0.025 0.975
după cum urmează:
a) 0 semnificativ dacă totuşi:
n 1 n 1 n 1 n 1
0 2 S; 2
S 2
S; 2
S ;
0.005 0.025 0.975 0.995
b) 0 distinct semnificativ dacă totuşi:
n 1 n 1 n 1 n 1
0 2 S; 2
S 2
S ; 2
S ;
0.0005 0.005 0.995 0.9995
c) 0 foarte semnificativ dacă:
n 1 n 1
0 2
S sau 0 2
S.
0.0005 0.9995
Exemplu:
Fie X greutatea viţeilor (kg). Dintr-un sondaj de n=50 viţei găsim X =64.9kg;
S=2.33kg.
a) Se cer intervale de încredere cu riscurile α=5%; 1%; 0.1% pentru μ şi testerea
ipotezelor H:μ=65kg; H:μ=67kg.
b) Se cer intervale de încredere cu riscurile α=5%; 1%; 0.1% pentru σ şi testarea
ipotezelor H:σ=2.5kg; H:σ=3.3kg.
Soluţie:
a) Pe linia a n-1=49GL şi coloanele α=0.05; α=0.01; α=0.001 găsim în tabela 2 din
Anexă, valorile critice t2.5%=2.01; t0.5%=2.68; t0.05%=3.50 deci înlocuind în
formula (1) găsim intervalele de încredere pentru μ:
115
1) [64.2 Kg ;65.6 Kg ]
3) [63.8Kg ;66 Kg ]
cu încrederile de 95 % ; 99 % ; 99.9%.
1) [2 Kg ;2.9 Kg ]
cu o încredere de 95 %;
2) [1.9 Kg ;3.2 Kg ]
cu o încredere de 99%;
(3)
P p f 2 ; f 2 1
f 1 f
unde 2 u 2 este diferenţa limită.
n
2
u
n f (1 f ). / 2
/ 2
Din tabela 1 din Anexă , conform relaţiei: P u u 2 1
avem u2.5%=1.96; u0.5%=2.58; u0.05%=3.29 deci trei intervale de încredere pentru p de
forma:
1) p [ f 2.5% ; f 2.5% ]
cu încrederea de 95%;
2) p [ f 0.5% ; f 0.5% ]
cu încrederea de 99%;
3) p [ f 0.05% ; f 0.05% ]
cu încrederea de 99.9%.
Ipoteza H:p=p0 se acceptă dacă p0 f 2.5% ; f 2.5% şi se respinge în caz
contrar astfel:
a) p≠p0 semnificativ dacă totuşi:
117
Fie două populaţii statistice normale N(μ1, σ1) şi respectiv N(μ2, σ2) faţă de
caracterul cantitativ X.
Extragem un sondaj simplu repetat de n1 exemplare din prima populaţie cu n1
valori de sondaj independente X11, X12, ..... , X 1n1 şi calculăm media de sondaj
1 n1 1 n1 2
X1
n1 i 1
X 1i respectiv abaterea standard de sondaj: S 1
n1 1 i 1
x1i X 1 .
Fie S
n1 1S12 n2 1S 22
n1 n2 2
2 2 2
S12 S 22 1 S1 1 S 22
şi n* :
deci
n1 n2 n1 1 n1 n 2 1 n2
min n1 1; n2 1 n* n1 n 2 2 .
Teorema 6.4
( X 2 X 1 ) ( 2 1 )
t
S12 S22
n1 n2
este aproximativ variabilă Student cu n* grade de libertate .
Demonstraţie:
X 2 X 1 este variabilă normală cu media :
M X 2 X 1 M X 2 M X 1 2 1
2
22
şi varianţa V X X V X V X
2 1 2 1
1
n 1 n2
deoarece cele două sondaje se presupun independente deci şi X 1 , X 2 sunt variabile
aleatoare independente.
Rezultă că u
X 2 X 1 2 1
este variabilă N(0;1). Înlocuind pe
12 22
n1 n2
P 2 1 X 2 X 1 2 ; X 2 X 1
2
1
119
1 1
unde 2 S t 2 este diferenţa limită.
n1 n2
Din tabela 2 din Anexă, conform relaţiei P t t 2 găsim tα/2 cu n1+n2 -2
GL pentru α=5%; 1%; 0.1% deci trei intervale de încredere pentru μ2-μ1 cu încrederile
1-α=95%; 99%; 99.9%:
1) 2 1 [( X 2 X 1 ) 2.5% ; ( X 2 X 1 ) 2.5% )]
cu încrederea de 95%;
3) 2 1 [( X 2 X 1 ) 0.05% ; ( X 2 X 1 ) 0.05% ]
cu încrederea de 99.9% .
Ipoteza H:μ1=μ2 se acceptă dacă şi numai dacă :
0 X 2 X 1 2.5% ; X 2 X 1 2.5% şi se respinge în caz contrar.
În cazul sondajelor dependente de volum n1=n2=n vom forma diferenţele
1 n 1 n
d1=x21-x11, ..... ,dn=x2n – x 1n şi vom calcula d
n i 1
d i şi Sd
n 1 i 1
2
di d .
cu încrederea de 95%;
2 S
2) [0; 2 . F1% ]
1 S1
cu încrederea de 99%;
2 S
3) [0; 2 . F0.1% ]
1 S1
cu încrederea de 99.9% .
S
Ipoteza H:σ1=σ2 se acceptă dacă 1 0; 2 F5% şi se respinge în caz contrar
S1
astfel:
S2
1. σ2 >σ1 semnificativ dacă totuşi 1 F1% ;
S1
S2
2. σ2 >σ1 distinct semnificativ dacă totuşi 1 F0.1% ;
S1
S2
3. σ2 >σ1 foarte semnificativ dacă 1 F0.1% .
S1
Soluţie:
S
n1 1S12 n2 1S 22 adică S=2.42kg.
n1 n2 2
121
Din tabela 2 din Anexă, pe linia a 20+30-2=48GL şi coloanele lui α=0.05; 0.01;
1 1
0.001 găsim: t2.5%=2.01; t0.5%=2.68; t0.05%=3.50 . Mărimea 2 S t 2
n1 n2
devine:
δ2.5%=0.7∙2.01=1.41;
δ0.5%=0.7 ∙2.68=1.88;
δ0.05%=0.7 ∙3.50=2.45 .
Din formula (2) avem intervalele de încredere pentru μ2-μ1 cu încrederile 1-
α=95%; 99%; 99.9%:
1) 2 1 [1.69 Kg ;3.51Kg ]
cu o încredere de 95%;
3) 2 1 [0.35Kg ; 4.55 Kg ]
cu o încredere de 99.9% .
2
Raportul abaterilor standard al tuturor viţeilor bălţată cu negru din care
1
provin cei 30 de viţei faţă de toţi viţeii brună din care provin cei 20 viţei este cuprins
între 0 şi 1.88 ori în favoarea rasei bălţată cu negru.
Există semiriscul 2.5% ca acest raport să fie mai mare de 1.58 ori în favoarea
bălţatei cu negru, atunci când sondajul 1 a fost ales cel mai omogen iar al II-lea cel mai
omogen.
Ipoteza H:σ1=σ2 se acceptă deoarece 1 0;1.58 . Această ipoteză a stat la baza
calculelor de la punctul a).
(6) P p2 p1 f 2 f1 2 ; f 2 f1 2
1
1 1
unde 2 f 1 f u 2 este diferenţa limită.
n1 n2
Din tabela 1 din Anexă , conform relaţiei: P u u 2 1 găsim
u2.5%=1.96; u0.5%=2.58; u0.05%=3.29, deci trei intervale de încredere pentru p2-p1 cu
încrederile 1-α=95%; 99%; 99.9%:
1) p2 p1 [( f 2 f1 ) 2.5% ; ( f 2 f1 ) 2.5% ]
cu încrederea de 95% ;
2) p2 p1 [( f 2 f1 ) 0.5% ; ( f 2 f1 ) 0.5% ]
cu încrederea de 99%;
3) p2 p1 [( f 2 f1 ) 0.05% ; ( f 2 f1 ) 0.05% ]
cu încrederea de 99.9% .
Ipoteza H:p1=p2 se acceptă dacă : 0 f 2 f1 2.5% ; f 2 f1 2.5% . În caz
contrar ipoteza H se respinge după cum urmează:
a) p1 ≠p2 semnificativ dacă totuşi:
0 f 2 f1 0.5% ; f 2 f1 2.5% f 2 f1 2.5% ; f 2 f1 0.5%
b) p1 ≠p2 distinct semnificativ dacă totuşi:
0 f 2 f1 0.05% ; f 2 f1 0.5% f 2 f1 0.5% ; f 2 f1 0.05%
c) p1 ≠p2 foarte semnificativ dacă:
0 f 2 f1 0.05% sau 0 f 2 f1 0.05% .
Exemplu:
Fie X= ecloziunea ouălelor de găină la incubator. Se fac măsurători pe două rase de
găini, găsindu-se la primul sondaj de n1=3000 ouă din prima rasă, frecvenţa ouălelor
eclozionate f1=85% şi la al doilea sondaj de n1=2000 ouă din a doua rasă, frecvenţa
ouălelor eclozionate f2=90%.
Să se găsească intervale de încredere pentru diferenţa p1-p2 a probabilităţilor de
ecloziune pentru toate ouălele din care fac parte cele 3000 ouă din primul sondaj faţă de
toate ouălele din care fac parte cele 2000 ouă din al doilea sondaj şi să se testeze ipoteza
H:p1=p2 .
Soluţie:
n f n2 f 2
Avem f 1 1 87% aşa că :
n1 n 2
1 1
0.871 0.87
2 u 2 0.0097u 2 . si cum u2.5%=1.96 ;
3000 2000
u0.5%=2.58; u0.05%=3.29 rezultă δ2.5%=1.9%; δ0.5%=2.5%; δ0.05%=3.2%.
Avem intervale de încredere pentru p2-p1 cu încrederile 1-α=95%, 99%; 99.9% :
1) p2 p1 [3.1%; 6.9%]
cu încrederea de 95%;
124
2) p2 p1 [2.5%; 7.5%]
cu încrederea de 99%;
3) p2 p1 [1.8%;8.2%]
cu încrederea de 99.9% .
De exemplu pentru intervalul mic cu 1-α=95% avem concluzia:
Diferenţa necunoscută p2-p1 a probabilităţilor eclozionării pentru toate ouălele din
care fac parte cele 2000 din rasa de găini nr. 2 faţă de toate ouălele din care fac parte cele
3000 ale rasei de găini nr. 1 este cuprinsă între 3.1% şi 6.9% în favoarea rasei nr.2, cu o
încredere de 95%.
Există semiriscul ca această diferenţă să fie mai mică de 3.1% în favoarea rasei nr. 2,
atunci când sondajul din rasa de găini nr. 1 a fost cel mai neperformant iar sondajul din
rasa de găini nr. 2 a fost cel mai performant sub aspectul ecloziunii ouălelor.
Ipoteza H:p1=p2 se respinge deoarece 0 p 2 p1 3.1%;6.9% şi anume p1 ≠p2
foarte semnificativ deoarece 0<1.8%.
6.6 Rezumat
6.7 Întrebări
1. Ce este o estimaţie corectă respectiv absolut corectă al unui parametru din populaţie ?
2. Ce este o ipoteză statistică simplă sau compusă , unilaterală sau bilaterală ?
3. Ce este funcţia de putere a testului ?
4. Ce este un interval de încredere ?
6.8 Bibliografie
CAPITOLUL 7.
Conţinut :
p (i 0) PX Ci ; (i = 1, …, k).
(0 ) ( 0)
Dorim să verificăm ipoteza H : p1 p1 ,..., p k p k a concordanţei
( 0)
probabilităţilor pi cu valorile ipotetice p i ; (i = 1, …, k).
Teorema 7.1
Pentru n , mărimea:
2
2
k
ni n 'i
n
2
k f i pi(0)
i 1 n 'i i 1 pi(0)
este variabilă hi patrat cu k – 1 grade de libertate.
126
Demonstraţie:
Valorile n1, …, nk sunt pentru n , valori ale unor variabile aleatoare Poisson
' (0 ) (0 )
(secţiunea 3.1.) independente, cu mediile şi varianţele egale cu n1 np1 ,..., n k deci
n1 np1(0) n k np (k0)
variabilele normate u1 ,..., u k sunt variabile independente între
np1(0) np (k0)
ele cu media 0 şi varianţa 1.
Conform teoremei limită centrală 3.14, pentru n , variabilele aleatoare
independente între ele, u1, …, u k tind către variabila normală redusă N(0, 1) deci la limită,
mărimea:
' 2
2
k
u 2
k n n
i i
n
k f i pi(0)
este variabilă hi patrat cu k – 1 grade de
i
i 1 i 1 ni' i 1 pi(0)
libertate (se pierde un grad de libertate datorită relaţiei de dependenţă n1 +… + nk = n.
Uneori numărul de grade de libertate este mai mic decât k – 1: dacă X este variabilă
binomială sau Poisson avem k – 2 grade de libertate, datorită relaţiei de dependenţă n1 + … +
nk = n, n1 x1 + … +nkxk = n . x iar la variabila X = N(0,1) avem k – 3 grade de libertate,
datorită relaţiilor de dependenţă n1 + … + nk = n, n1x1 + … + nkxk = n . x , n1(x1 - x )2 + … +
nk(xk - x )2 = (n – 1) . S2 . Q.E.D.
Din teorema 7.1 rezultă testul hi patrat de concordanţă într-o populaţie normală:
Comparăm mărimea:
k f p
i
2 (0)
2
k
ni n 'i i
n
i 1 n 'i i 1 pi(0)
2 2 2
cu variabile critice 0.05 ; 0.01 ; 0.001 extrase în tabela 6 pe linia a k – 1 grade de
libertate.
( 0)
Dacă 2 0.05
2
, H se acceptă deci pi concordă cu valorile ipotetice p i .
În caz contrar H se respinge după cum urmează:
( 0)
2 2 2
a) Dacă 0.05 ; 0.01 atunci pi p i semnificativ;
( 0)
b) Dacă 2 0.01
2 2
; 0.001 atunci pi p i distinct semnificativ.
( 0)
c) Dacă 2 0.001
2
atunci pi p i foarte semnificativ
Exemplu:
Încrucişând după schema alăturată un soi
de porumb de floricele P1 cu boabe albe şi netede P1 P2
cu un soi P2 cu boabe albastre şi zbârcite, s-au
obţinut în generaţia F2 665 boabe albastre şi netede
210 boabe albastre şi zbârcite, 240 boabe albe şi
F1
netede şi 85 boabe albe şi zbârcite. B1 B2
Să se testeze raportul de segregare 9 : 3 : 3:1
al combinaţiilor de caractere precedente.
F2
Soluţie.
Numărul total de boabe este n = 665 + 210 + 240 + 85 = 1200.
Frecvenţele aşteptate sunt n’i = n . p i
127
9
n’1 = 1200 . boabe albastre şi netede
16
3
n’2 = 1200 . boabe albastre şi zbârcite
16
9
n’3 = 1200 . boabe albe şi netede
16
1
n’4 = 1200 . boabe albe şi zbârcite
16
9 3 1
Avem ipoteza H : p1 , p 2 p3 , p 4
16 16 16
2
k
ni n 'i
2 devine pentru k = 4:
i 1 n 'i
2 2 2 2
2 665 675 210 225 240 225 85 75
3.48
675 225 225 75
În cazul însuşirii X calitative, avem două clase : C în care însuşirea X este prezentă
cu frecvenţa n1 = nf şi C în care X este absentă cu frecvenţa n2 = n(1-f).
Avem frecvenţele aşteptate n’1 = np şi n’2 = n(1-p) aşa că:
2 2 2
2 n1 n '1 n2 n '2 n f p
cu k = 2 – 1 = 1 GL. De aici rezultă testul
n '1 n '2 p 1 p
hi patrat al ipotezei H : p = p0 faţă de alternativa H : p p0:
2
2
n f p0
Se compară: cu valorile critice:
p0 1 p0
2 2 2
0.05 3.84; 0.01 6.63; 0.001 10.80 pentru 1 GL extrase din tabela 3 din
Anexă şi se ia decizia ca mai sus.
Exemplu
Fie X = leucoza vacilor. Într-o fermă cu n = 100 vaci s-a găsit f = 2%. Să se testeze
ipoteza H : p = 1% faţă de H : p 1%
Soluţie. Pentru n = 100; f = 0.02; p0 = 0.01 găsim:
2
0.02 0.01
2 100. 2
1.01 0.05 3.84 deci se acceptă ipoteza H : p = 1% a incidenţei
0.011 0.01
leucozei pentru toate vacile din care provin cele n = 100.
128
Fie două populaţii normale în raport cu însuşirea X şi fie două sondaje independente
de volume n1, n2 > 30, extrase din cele două populaţii.
Grupăm datele de sondaj în aceleaşi clase C1, …, Ck cu centrele de clase x1, …, xk şi
frecvenţele observate ale valorilor în clase n11, …, n1k (n11 + … + n1k = n1) şi respectiv n21, …,
n2k (n21 + … + n2k = n2). Fie fi = n1i /n1 si gi =n2i /n2 .
Verificăm ipoteza H : p11 = p21, …, p1k = p2k faţă de ipoteza H : p21, …, p1k p2k.
Teorema 7.2.
Pentru n1, n2 mărimea:
2 2
2
k
n1i n2 n2i n1 k
fi gi
n1n2
i 1 n1 n2 n1i n2 i 1 n1 f i n2 g i
Demonstraţie:
Reunim cele două sondaje deci avem frecvenţele observate ale valorilor în clasele
reunite:
n11 + n21, …, n1k + n2k şi volumul de sondaj reunit n1 + n2.
Frecvenţele aşteptate ale valorilor în clase pentru cele două sondaje, au forma:
n1i n 2i n1i n 2i
n1' i n1 ; n '2i n 2 i 1,..., k
n1 n 2 n1 n 2
2 2
Exemplu:
Fie X = greutatea în viu a porcilor la 8 luni (kg). Se cântăresc porcii din două loturi de
n1 = 50 porci respectiv n2 = 60 porci se grupează datele în k = 5 clase de valori şi se obţine
tabelul:
129
Ci n1i n2i
Sub 102 kg 5 7
[102; 104) 9 11
[104; 106) 20 18
[106; 108) 7 16
peste 108 kg 9 8
Soluţie Avem:
2 2 2
2 5 60 7 50 9 60 11 50 20 60 18 50
50 60 5 7 50 60 9 11 50 60 20 18
2 2
.
7 60 6 50 9 60 8 50
1.63
50 60 7 6 50 60 9 8
Din tabela 3 din Anexă ,pe linia 5 – 1 = 4 GL şi coloanele α = 0.05; 0.01; 0.001 extragem
2 2 2
valorile critice 0.05 9.49; 0.01 13.28; 0.001 18.50 .
Avem 2 1.63 0.05
2
9.49 deci se acceptă ipoteza H : p1i = p2i pentru toţi porcii
care fac cei n1 = 50 faţă de toţi porcii din care fac parte cei n2 = 60.
Dacă X este însuşire calitativă, fie f1, f2 frecvenţele de sondaj ale însuşirii calitative
X în două sondaje de volume n1, n2 > 30 şi fie p1, p2 probabilităţile lui X în cele două
populaţii din care provin cele două sondaje. În acest caz primul sondaj se împarte în două
clase: C1 în care însuşirea calitativă X este prezentă cu frecvenţa n11 = n1f1 şiC1 în care X
este prezentă cu frecvenţa n12 = n1(1 – f1). În mod analog, al doilea sondaj se împarte în două
clase: C2 în care X este prezentă cu frecvenţa n21 = n2f2 şiC2 în care X este absentă cu
frecvenţa n22 = n2(1 – f2).
2 2
2 n11n2 n21 n1 n12 n2 n22 n1
devine:
n1n2 n11 n21 n1n2 n12 n22
2
n1n2 n1 n2 f1 f 2
2 care pentru n1, n2 este
n1 f1 n2 f 2 n1 1 f1 n2 1 f 2
variabilă χ2 cu k – 1 = 1 GL.
De aici rezultă testul hi patrat al ipotezei H : p1 = p2 faţă de alternativa
H : p1 p2:
Se compară χ2 de mai sus cu valorile critice: 0.05 2 2
3.84; 0.01 2
6.63; 0.001 10.80
pentru k – 1 = 1 GL extrase din tabela 6 din Anexa.
Dacă 2 0.05
2
se acceptă ipoteza H : p1 = p2.
În caz contrar, H se respinge după cum urmează:
a) Dacă 2 0.05
2 2
; 0.01 ,atunci p1 p2 semnificativ;
b) Dacă 2 0.01
2 2
; 0.001 , atunci p1 p2 distinct semnificativ;
c) Dacă 2 0.001
2
, atunci p1 p 2 foarte semnificativ.
Exemplu
Fie X = leucoza la vaci.
Frecvenţa leucozei într-un grajd cu n1 = 100 vaci este f1 = 1% iar în al doilea grajd tot
cu n2 = 100 vaci, este f2 = 2%.
130
Soluţie:
2
2
100 100 100 100 0.01 0.02 2
0.34 0.05 3.84
100 0.01 100 0.02 100 0.99 100 0.98
pentru k – 1 = 1 GL deci se acceptă ipoteza H : p1 = p2.
Y D1 Dk Sume
X linii
C1 n11 n1k s1
Ch nh1 nhk sh
Sume t1 …………………...tk n
coloane
Teorema 7.3
h k (n n' ) 2
2 ij ij
'
este variabilă hi patrat cu (h – 1) (k – 1) GL.
i 1 j 1 nij
De aici rezultă testul hi patrat de independenţă al însuşirilor X, Y într-o populaţie
normală:
131
Exemplul 1
Fie X = înălţimea la greabăn a viţeilor (cm) şi Y = greutatea viţeilor (kg). Se face un
sondaj de n = 50 viţei şi perechile de date obţinute se clasifică după X, Y în h = k = 3 clase de
valori obţinând tabela de contingenţă 3x3:
Clase X
Viţei scunzi 20(12.5) 5(7.5) 0(5) 25
Viţei potriviţi 10(5) 10(6) 5(4) 20
Viţei înalţi 0(2.5) 0(1.5) 5(1) 5
Suma coloană 25 15 10 n = 50
Soluţie
si t j
Frecvenţele aşteptate n’ij din paranteze au fost calculate cu relaţia nij'
n
25 25
De exemplu n11' 12.5
50
2 2 2 2 2
20 12.5 5 7.5 0 5 5 10 10 6
Avem 2
12.5 7.5 5 10 6
2 2 2 2
5 4 0 2.5 0 1.5 5 1
35.8
4 2.5 1.5 1
Din tabela 3 a Anexei, pe linia cu (h – 1)(k – 1) = (3 – 1)(3 – 1) = 4 GL şi coloanele α
2 2 2
= 0,05; 0,01; 0,001 găsim valorile critice: 0.05 9.49; 0.01 13.28; 0.001 18.50 .
Cum 2 35.8 0.001
2
rezultă că H se respinge deci X, Y sunt dependente foarte
semnificativ.
Exemplul 2
Clase X
Ouă albe 10(7.5) 15(15) 5(7.5) 30
Ouă bej 5(7.5) 15(15) 10(7.5) 30
Suma coloană 15 30 15 n = 60
2 2 2 2 2 2
10 7.5 15 15 5 7.5 5 7.5 15 15 10 7.5
2
3.33
7.5 15 7.5 7.5 15 7.5
Din tabela 3 a Anexei, pe linia cu (h – 1)(k – 1) = (2 – 1)(3 – 1) = 2 GL şi coloanele α
2 2 2
= 0.05; 0.01; 0.001 avem valorile critice: 0,05 5.99; 0.01 9.21; 0.001 13.80
Cum 2 3.33 0.05
2
5.99 , ipoteza H se acceptă deci X, Y sunt independente.
Exemplul 3
Fie X = leucoza vacilor, Y = tratament pentru leucoză vaci, se face un sondaj într-o
fermă cu n = 100 vaci, datele obţinute se clasifică după X, Y şi se obţine tabela de
contingenţă 2x2:
Clase X
Vaci vindecate 88(81) 2(9) 90
Vaci nevindecate 2(9) 8(1) 10
Suma coloană 90 10 n = 100
2 2 2 2
2 88 81 2 9 2 9 8 1
60.5
81 9 9 1
Din tabela 3 a Anexei , pe linia a (h – 1)(k – 1) = (2 – 1)(2 – 1) = 1 GL şi coloanele α
2 2 2
= 0.05; 0.01; 0.001 găsim valorile critice 0.05 3.84; 0.01 6.63; 0.001 10.80 ;
Cum 2 60.5 0.001
2
10.80 , H se respinge deci X, Y sunt dependente foarte
semnificativ.
Fie un sondaj de volum mic (n < 30) extras din populaţie şi fie x1, …, xn datele de
sondaj relativ la însuşirea X, scrise în ordine crescătoare : x1 < x2 < … < xn.
Dacă x1 este valoare de sondaj mult mai mică ca restul datelor de sondaj, ea poate avea
o influenţă mare asupra mediei X (vezi secţiunea 5.2) fiind suspectată ca valoare străină,
deci trebuie eliminată din sondaj.
133
X X1
Acest lucru se testează prin comparaţia valorii a 1 cu valorile critice a10%;
S
a5%; a1% extrase din tabela 12 din Anexă, pe linia lui n.
Ipoteza H : X1 nu e valoare străină de populaţie, se acceptă dacă a < a10%.
În caz contrar H se respinge astfel:
a) Dacă a1 [a10%; a5%), X1 este valoare străină semnificativ;
b) Dacă a1 [a5%; a1%), X1 este valoare străină distinct semnificativ;
c) Dacă a1 > a1%, X1 este valoare străină foarte semnificativ.
După eliminarea lui X1, testul se poate repeta ca mai sus pentru X2 < X , etc.
Dacă Xn este valoare mult mai mare ca restul datelor de sondaj, ea poate avea o
influenţă mare asupra mediei X (vezi secţiunea 5.2) fiind suspectată ca valoare străină, deci
trebuie eliminată din sondaj.
Xn X
Acest lucru se testează prin comparaţia valorii a n cu valorile critice a10%;
S
a5%; a1% extrase din tabela 12 din Anexă, pe linia lui n.
Decizia asupra ipotezei H : Xn este valoare străină de populaţie, se ia ca mai sus pentru
X1 .
După eliminarea lui Xn, testul se poate repeta ca mai sus pentru X n – 1 > X , etc.
Pentru sondaje de volum mare (n > 30) influenţa valorilor X1 sau Xn asupra medie X
este mică.
Exemplu
Fie X = greutatea viţeilor (kg). Se cântăresc n = 10 viţei, găsindu-se greutăţile în ovine
crescătoare: 40; 60; 61; 62; 63; 64; 64; 68; 80.
Să se testeze dacă X1 = 40 kg şi X10 = 80 kg sunt valori străine.
Din tabela 12 din Anexă, pentru n = 10 avem valorile critice a10% = 2.16; a5% = 2.29;
a1% = 2.54.
Cum a1 [a5%; a1%), X1 = 40 kg este valoarea străină de populaţie distinct
semnificativ.
Cum a10 < a10%, X10 = 80 kg nu este valoare străină de populaţie.
Eliminând valoarea străină X1 = 40 kg recalculăm media pentru X2, …, X10 şi găsim
'
X 65.5kg (cu 2,5 Kg mai mare ca X = 63 kg) şi S’ = 5.98 kg (cu 3.82 kg mai mică decât
S = 9.8 kg).
2
D 2
X1 X i 1 pentru datele de sondaj aşezate în ordine crescătoare :
n 1
X1 < X2 < … < Xn.
D2
Dacă n < 25 calculăm M şi îl comparăm cu valorile critice
S2
m1% < m5% < M5% < M1% extrase din tabela 13 din Anexă, pentru valorile lui n.
Dacă M [m5%; M5%] ,datele de sondaj extrase din populaţie au caracter aleator.
În caz contrar datele de sondaj au caracter nealeator după cum urmează:
a) Dacă M [m1%; m5%) (M5%; M1%] atunci datele de sondaj au caracter nealeator
semnificativ;
b) Dacă M < m1% sau M > M1%, datele de sondaj au caracter nealeator distinct
semnificativ;
D2 n2
c) Dacă n > 25, M 1 este variabilă normală N 0; deci putem
2S 2 n 2
1
aplica testul u:
D2 n2
calculăm u 1 2 : şi îl comparăm pe u cu u 0.05 = 1.96;
2 S n n 1
2
110
Varianţa de repartiţie este S2 12.22 iar varianţa de evoluţie este
9
220 D2
D 2.22 deci M 2 0.18
9 S
Din tabela 13 din Anexă, pe linia n = 10 avem m1% = 0.75; m5% = 1.06; M5% = 2.94;
M1% = 3.25.
Cum M = 0.18 < m1% = 0.75 datele de sondaj au caracter nealeator distinct
semnificativ deci sondajul trebuie repetat.
În acest caz aranjăm datele de sondaj în ordine crescătoare X1 < X2 < … < Xn,
calculăm media de sondaj X şi abaterea – standard S apoi normăm datele de sondaj Xi prin
Xi X
schimbarea de variabile u i .
S
În presupunerea că datele de sondaj sunt egal probabile, valorile de sondaj normate
u1, …, u n se pot privi ca o variabilă aleatoare uniformă:
u1 , ..., u n
U :
1 , ..., 1
cu M(U) = 0; σ (U) = 1 şi cu funcţia de repartiţie empirică:
n n
0 , j0
Fe U j j n , 1 j n-1
1 ,jn
Testarea normalităţii populaţiei în raport cu însuşirea X revine la comparaţia funcţiei
de repartiţie empirică Fe cu funcţia de repartiţie N(0, 1) notată cu F şi cu valori în tabela 1 din
Anexă.
Vom extrage din tabela 1 valorile F(u i) ţinând cont că pentru ui < 0 avem F(ui) = 1 –
F(-ui) apoi vom apela la testul Massey care constă în următoarele:
Exemplu
Soluţie
S
X i X
3.1 Kg.
n 1
Avem tabelul:
F(u i) s-au calculat din tabela 1 al Anexei, astfel: F(-1.42) = 1 – F(1.42) = 1 – 0.92 =
008. Mai departe pentru argumente pozitive avem de exemplu F(0.19) = 0.58 etc.
Avem d = 0.12 iar pentru n = 10 din tabela 14 din Anexă, avem d 0.05 = 0.130; d0.10 =
0.156. Cum d = 0.12 < d0.05 , populaţia din care provine sondajul este normală faţă de X.
vor calcula fie pe baza densităţii de probabilitate f(u) fie pe baza funcţiei de repartiţie N(0, 1)
cu valori în tabela 1 din Anexă.
Fie probabilităţile de apartenenţă a valorilor de sondaj în clase, notate cu pi = P(X
Ci) ; (i = 1, …, k).
Evenimentele X Ci sunt independente câte două iar frecvenţele absolute aşteptate n’i
sunt valori medii ale frecvenţelor absolute observate ni deci avem n’i = npi (i = 1, …, k).
Valorile probabilităţilor pi sunt date de:
Teorema 7.4
u2
1
2
a) Dacă f este densitatea de probabilitate N(0, 1) cu expresia f (u ) e , avem:
2
Xi X
pi f ; (i = 1, …, k)
S S
u t2
1
b) Dacă F este funcţia de repartiţie N(0, 1) cu expresia F (u ) e 2
dt şi cu
2
valori în tabela 1 din Anexă, avem:
X
p1 F 1
S
j X j 1 X
pj F F ; (j = 2, …, k-1)
S S
X
pk 1 F k
S
Demonstraţie
a) Densitatea de probabilitate a variabilei normale N( X , S) este
2
x X
1
2S 2 x X
f(x)= e ; cu schimbarea de variabilă u ea devine
2 S S
u2
1 1 2 1
e f (u ) unde f(u) este densitatea de probabilitate N(0, 1) definită în
S 2 S
enunţ şi cu f(-u) = f(u).
2
Xi X
1 Xi X
Avem pi P X Ci
2
2S
e f ; (i = 1, …, k).
2 S S S
b) Conform teoremei 2.1 avem:
j X j 1 X
p j P j 1 X j F F ; (j = 1, …, k)
S S
X
Avem ℓo = - aşa că F 0 F 0 deci din relaţia precedentă rezultă:
S
X
p1 F 1 .
S
138
X
De asemenea avem ℓk = + aşa că F k F 1 deci din relaţia
S
X
precedentă rezultă: pk 1 F k 1 Q.E.D.
S
Exemplu
Fie X = greutatea viţeilor (kg). Cântărind n = 50 viţei, s-au grupat greutăţile lor în k =
5 clase şi s-au calculat X = 64.9 kg, S = 2.3 kg. Să se testeze normalitatea populaţiei din care
provine sondajul fată de X.
Soluţie
Dacă ℓi este marginea dreaptă a claselor Ci ,avem tabelul:
Ci Xi ni i X X pi n’i=npi
F i
S S
Sub 62 kg 61 7 -1.24 0.1075 0.1075 5.37
[62; 64) 63 10 -0.39 0.3483 0.2408 12.04
[64; 66) 65 18 0.47 0.6808 0.3325 16.62
[66; 68) 67 9 1.33 0.9082 0.2274 11.37
peste 68 kg 69 6 1.0 0.0918 4.59
X
În coloana F i din tabela 1 din Anexă, avem F(- 1.24) = 1 – F(1.24) =
S
=1 – 0.8925 = 0.1075 în timp ce F(0.47) = 0.6808 etc.
pi se calculează conform relaţiilor de la punctul b) al teoremei 7.4 astfel:
X 2 X 1 X
p1 F 1 0.1075; p 2 F F 0.3483 0.1075 0.2408 etc.,
S S S
X
p5 1 F 4 1 0.9082 0.0918
S
2
2
k n
i ni'
devine: 2 7 5.37
2
10 12.04
2
18 16.62
2
i 1 ni' 5.37 12.04 16.62
2 2
9 11.37 6 4.59
1.89 .
11.37 4.59
Din tabela 3 din Anexă, pe linia a k – 1 = 4 GL şi coloanele α = 0.05; 0.01; 0.001
2 2 2
găsim valorile critice: 0.05 9.49; 0.01 13.28; 0.001 18.50
2
χ2 = 1.89 < 0.05 9.49 deci populaţia din care provine sondajul este normală faţă
de X.
Testarea normalităţii populaţiei faţă de însuşirea X se mai poate face pentru sondaje de
volum mare (n > 30) şi cu ajutorul coeficienţilor de asimetrie şi boltire ale căror valori critice
sunt date în tabela 9.
139
3
Coeficientul de asimetrie este A
n i X i X şi dă gradul de asimetrie pe
nS3
n
orizontală al poligonului frecvenţelor relative observate f i i faţă de curba normală
n
N( X ,S) adică poziţia relativă a tendinţei centrale dată de media X faţă de tendinţa
dominantă dată de modul M0 (vezi secţiunea 5.2.2)
4
Coeficientul de boltire este B
n i X i X şi dă gradul de concentrare pe
nS 4
n
verticală a poligonului frecvenţelor relative observate f i i faţă de curba normală
n
N( X , S) (vezi secţiunea 5.2.2).
Avem B > 1.
Exemplu
Ci Xi ni
Sub 62 61 kg 7
[62 – 64) 63 10
[64 – 66) 65 18
[66 – 68) 67 9
peste 68 kg 69 6
140
Avem:
1 3 3 3 3 3
A 7 61 64.9 10 63 64.9 18 65 64.9 9 67 64.9 6 69 64.9
3
50 2.3
0.02
1 4 4 4 4 4
B 7 61 64.9 10 63 64.9 18 65 64.9 9 67 64.9 6 69 64.9
4
50 2.3
2.46
Din tabela 9 a Anexei , pentru n = 50 avem valorile critice A0.05 = 0.533; A0.01 =
0.787
Avem A = 0.02 < A0.05 = 0.533 deci populaţia din care a fost extras sondajul ,este
normală pe orizontală.
Din tabela 9 a Anexei , pentru n = 50 avem valorile critice B0.99 = 1.95; B0.95 = 2.13
respectiv B0.05 = 4.01; B0.01 = 4.92
Avem B = 2.46 [B0.95; B0.05] deci populaţia din care a fost extras sondajul, este
normală pe verticală.
7.5 Rezumat
7.6 Întrebări
7.7 Bibliografie
CAPITOLUL 8.
Conţinut :
1 n
xi xij
n j 1
abaterile-standard de sondaj:
1 n
si ( xij xi ) 2
n 1 j 1
precum şi media totală :
1 m n
x xij
mn i 1 j 1
respectiv abaterea-standard totală :
m n
1
s ( xij x)2
mn 1 i 1 j 1
143
În acest caz în rolul lui M vom lua mediile de sondaj xi sau medianele de sondaj Mei iar
în rolul lui D vom lua abaterile-standard de sondaj si sau amplitudinile de sondaj ai
Avem de verificat prin control al calităţii , ipoteza H: μ= μ0 faţă de alternativa Ĥ: μ≠ μ0
respectiv H: σ= σ0 faţă de alternativa H: σ> σ0 .
Mediile sondajelor x1,…,xm sunt variabile aleatoare normale N(μ0, σ0/√n ) deci vom
lua :
0 0
LCI ( x) 0 u / 2 ; LCS ( x) 0 u / 2 (1)
n n
Mărimile (n-1)si2 / σ02 sunt variabile aleatoare χ2 cu n-1 GL deci vom lua :
12 / 2 2 / 2
LCI ( s) . 0 ; LCS ( s) . 0 (2)
n 1 n 1
Pentru controlul calităţii abaterii-standard se foloseşte numai LCS .
Amplitudinea unui sondaj de volum n , notată a = xmax – xmin este variabilă aleatoare
deci este variabilă aleatoare şi raportul w = a/σ .
Mediaw are valorile date de tabela 15 din Anexă.
Un estimator al lui σ este σˆ= a /w deci limitele de control pentru medie din relaţiile
(1) devin :
a a
LCI ( x) x 3 ; LCS ( x) x 3 (3)
n w n w
Notăm :
3
nw
cu valori în tabela 15 din Anexă, deci limitele de control pentru medie devin :
( w) ( w)
LCI (a ) a 3. .a ; LCS ( a ) a 3. .a (5)
w w
Cu notaţiile :
145
( w) (w)
D1 1 3. ; D2 1 3.
w w
care au valori în tabela 15 din Anexă, limitele de control pentru a ,capătă forma:
Exemplu
Sondaj
Pentru n =4 , din tabela 15 din Anexă, avem δ = 0.729 deci relaţiile (4) devin:
am am
LCI ( x) x 3. ; LCS ( x) x 3. (7bis)
w w
Aici w se culege din tabela 15 din Anexă pentru n = 2 iar am este
media diferenţelor succesive aim =| x i – x i – 1 | numite amplitudini mobile.
Exemplu
(controlul Nr. 1). Avem m=10 sondaje a câte n=1 vaci fiecare cu producţiile xi :
10.8
|xi-xi-1| - 0.5 0.4 0.5 1.1 0.3 0.2 1.9 0.7 0.8 am=
0.71
Din tabela 15 din Anexă , pentru n=2 valori în amplitudinile mobile , avem
w =1.128 deci :
LCI(x)=10.8 – 3 .(0.71/1.128)=8.91
LCS(x)=10.8 + 3 .(0.71/1.128)=12.69
În acest caz vom avea un singur parametru M în rolul căruia vom lua fie numărul di de
exemplare-rebut din sondajul nr. i , fie frecvenţa rebuturilor fi = di / n din sondajul
nr. i ; (i=1,2,…,m).
d i este variabilă binomială adică :
Fie k1(α) cel mai mare număr natural pentru care avem :
k1 ( )
k
P(d k1 ( )) C n p0k (1 p0 ) n k 1
k 0 2
Fie k2(α) cel mai mare număr natural pentru care avem :
n
P(d k2 ( )) Cnk p0k (1 p0 ) n k 1
k k2 ( ) 1 2
Avem :
Din păcate , limitele (7) implică calcule laborioase deaceea pentru n ≥40
şi p0 ≤0.1 , variabila binomială poate fi aproximată cu variabila normală.
p0 (1 p0 ) p (1 p0 )
LCI ( p0 ) p0 3. ; LCS ( p0 ) p0 3. 0 (8)
n n
fi 0.03 0.05 0.02 0 0.04 0.07 0.0 0.03 0.02 0.06 f=0.04
8
148
0.04 0.96
LCI ( p0 ) 0.04 3 0.04 0.059 0 deci LCI(p 0 ) 0
100
0.04 0.96
LCS ( p0 ) 0.04 3 0.04 0.059 0.099 0.10
100
b)
Se observă că toate valorile fi nu depăşesc limita superioară LCS(p0) deci X corespunde
la controlul calităţii în cursul procesului de producţie ca proporţie a rebuturilor .
Exemplu
D
Fie un lot de N produse din care D au defecte şi fie p proporţia acestor defecte.
N
149
δ δ D
Prin calcul rezultă că ca variabila aleatoare,are media M şi varianţa
n n N
δ 1 N n D N D δ
V 2
deci este o estimaţie absolut corectă pentru proporţia
n n N 1 N n
D
reală p de produse defecte ale lotului,deoarece:
N
δ D δ
M ,iar lim V 0 .
n N n
n
Pentru , daţi, trebuie să aflăm pe n şi c astfel ca:
L p 0 1 α; L p1 β ,
adică:
c C dNp1 C nN1d p0
d 0 C NNp0
1 α ;
c CdNp1 CnN1dp1
d 0 C NNp1
β.
n
2)Dacă p şi sunt mult mai mici ca 1, avem:
N
c
λd
L p e λ
d 0 d!
n
unde λ n p D , deci n şi c satisfac ecuaţiile:
N
d
c
n p 0 n p 0
d 0 d!
e 1 α ;
d
c
n p1
e n p1 β .
d 0 d!
3)Dacă n este foarte mare, avem:
c np
L p F ,
np 1 p
151
Prezentăm mai departe două tipuri de control al calităţii şi fiabilităţii: controlul simplu
şi controlul secvenţial.
Teorema 8.1
2
U α Uβ U α U p1 Uβ U p0
n ;c (1)
Up Up U α Uβ
0 1
U α Uβ σ U α μ1 U β μ 0 U α U β T
n ; c (2)
2T σ 0 σ1 σ U α Uβ
Exemple:
1)Se controlează X=greutatea unui lot de pui livraţi(kg) pentru care limita inferioară
de calitate este Tmin = 1kg. Dacă se ştie că = 0.1kg şi se dau =3%; =7%;
p0 1%; p1 4% , să se determine volumul n al sondajului şi limita de acceptare
Tmin c σ pentru media de sondaj X .
Solutie:
Din tabela 1 a Anexei, obţinem F U 3% 97% 0.9700 deci
U3% 1.88; F U 7% 93% 0.9300 deci U 7% 1.48; F U1% 99% 0.9900 deci
U1% 2.33; F U 4% 96% 0.9600 deci U 4% 1.75.
Din relaţiile de mai sus obţinem: μ0=0.767 Kg ; μ1=1.175 Kg.
Înlocuind aceste valori în relaţia (1) găsim:
n=34; c=2 deci Tmin cσ 1.2kg .
Lotul se acceptă dacă dintr-un sondaj de n=34 de pui livraţi,greutatea medie al
acestora este de cel puţin 1.2 kg.
β P 1 β
1) n1 , în care caz se continuă măsurătorile;
1 α Pn 0 α
P β
2) n 1 , în care caz se ia decizia acceptării ipotezei H : μ μ 0 ;
Pn 0 1 α
P 1 β
3) n 1 , în care caz se ia decizia acceptării ipotezei alternative H : μ μ1 .
Pn 0 α
Populaţia fiind presupusă normală şi datele de sondaj independente,avem:
2 2
x i μ 0 x i μ1
1 2 1 2
Pn 0 n
e 2σ şi Pn 1 n
e 2σ
,
2π σ
2π σ
de unde rezultă:
154
2 2
x i μ 0 x i μ 1
Pn 1 2σ 2
e .
Pn 0
Pn 1 μ1 μ 0 n μ 0 μ1
aşa că avem: ln 2 x i
Pn 0 σ 2
Cu notaţiile:
μ 0 μ1 σ2 β σ2 1- β
a ; b0 ln 0 ; b1 ln > 0 (3)
2 μ1 μ 0 1 α μ1 μ 0 α
Teorema 8.2
Avem cazurile:
1) a.n b 0 x i a.n b1 , în care caz se continuă măsuratorile;
2) x i a.n b 0 , în care caz se acceptă ipoteza H : μ μ0 ;
3) x i a.n b1 , în care caz se acceptă ipoteza alternativa H : μ μ1 .
Practic, se reprezintă grafic dreptele x a.n b 0 şi x a.n b1 ,
în sistemul de axe cu abscisa n şi ordonata x i şi se continuă măsuratorile până când
punctul de coordonate n ; x i trece prin una din zonele 2 sau 3:
Teorema 8.3
2 β2
Avem n 1α cu 2(c+1) grade de libertate.
2p 0 2p1
In concluzie vom căuta pentru câte grade de libertate (egale cu 2(c+1)) avem:
12α β2
, deci găsim pe c, apoi din teorema 8.3 găsim pe n.
p0 p1
Exemplu:
1, dacă al i-lea produs din sondaj este defect faţă de însuşirea X
Fie: x i
0, în caz contrar
deci dacă x i sunt independente, x i este variabilă binominală de parametri
p P x i 1 şi n.
Controlul de calitate revine la verificarea ipotezei H : p p 0 faţă de alternativa
H : p p1 .
In cazul nostru avem:
157
nk n k
Pn 0 Ckn p k0 1 p 0 ; Pn 1 Cnk p1k 1 p1 ,
unde k xi este numărul produselor din sondaj care sunt rebuturi faţă de însuşirea
calitativă X.
k n k
P p 1 p1 Pn 1 p 1 p1
Avem n 1 1 ,deci: ln k .ln 1 n k .ln .
Pn 0 p 0 1 p0 Pn 0 p0 1 p0
Dându-se şi , respectiv p 0 , p1 avem cazurile:
β P 1 β
1) n1 , în care caz se continuă măsurătorile;
1 α Pn 0 α
P β
2) n 1 , în care caz se decide că H : p p 0 este adevarată;
Pn 0 1 α
P 1 β
3) n 1 , în care caz se decide că alternativa H : p p1 este adevarată.
Pn 0 α
Cu notatiile:
1 p0 β 1 β
ln ln ln
1 p1 1 α ;b α
a ;b (4)
p1 1 p 0 0 p1 1 p 0 1 p1 1 p 0
ln ln ln
p 0 1 p1 p 0 1 p1 p 0 1 p1
Teorema 8.4
Avem cazurile:
1) a.n b 0 k a.n b1 , în care caz se continuă masuratorile;
2) k a.n b 0 , în care caz se acceptă ipoteza H;
3) k a.n b1 , în care caz se acceptă alternativa H .
Practic,se reprezintă grafic dreptele x a.n b0 şi x a.n b1 în sistemul de axe cu
abscisa n şi ordonata k xi şi se continuă măsurătorile până când punctul de
coordonate (n,k) trece în una din zonele 2 sau 3.
Acceptarea ipotezei H duce la acceptarea lotului la controlul calităţii,deci zona 2 este
zona de acceptare a lotului în timp ce acceptarea alternativei H duce la respingerea lotului la
controlul de calitate,deci zona 3 este zona de respingere a lotului.
Exemplu:
Avem α 0.04; β 0.06; p 0 0.1; p1 0.9 , deci conform formulelor (4) obţinem:
a 0.5; b 0 0.63; b1 0.72 .
Tabelul de calcul cu datele de sondaj x i şi sumele k x i , este:
n xi 0.5n-0.63
k x1 x n 0.5n+0.72
1 0 -0.13 0 1.22
2 1 0.37 1 1.72
3 1 0.87 2 2.22
4 0 1.37 2 2.72
5 0 1.87 2 3.22
6 1 2.37 3 3.72
7 0 2.87 3 4.22
8 0 3.37 3 4.72
După n=8 pui controlaţi se acceptă ipoteza H,deci lotul se acceptă la controlul calităţii.
Dacă pentru produsele agricole destinate consumului este important controlul statistic
al calităţii lor in raport cu diferite însuşiri X, măsurabile sau atributive, pentru maşinile
agricole este important controlul statistic al siguranţei în functionare sau al fiabilitatii lor.
Definiţia fiabilităţii a fost dată în secţiunea 4.2
Fiabilitatea este o însuşire calitativă(atributivă) pentru care p 0 şi p1 sunt înlocuiţi
cu T0 (timpul mediu de funcţionare fără defecţiuni acceptat), respectiv T1 (timpul mediu
de funcţionare fără defecţiuni limită admis),deci trebuie verificată ipoteza H : t T0
faţă de alternativa H : t T1 , unde avem T 0 >T1 spre deosebire de p 0 p1 la
însuşirile X atributive.
In cadrul testului simplu al controlului fiabilităţii, pentru α;β; T0 ;T1 daţi,trebuie găsite
numărul de defecţiuni acceptate c şi timpul de acceptare t c al lotului la controlul fiabilităţii.
Lotul este acceptat dacă:
a)timpul de funcţionare până la apariţia a c defecţiuni este t t c sau
b)numărul de defecţiuni apărute în timpul de funcţionare t c este k c.
In caz contrar lotul se respinge la controlul fiabilităţii.
2t
Se poate arăta că t 2c cu 2(c+1) grade de libertate.
p
2t c 2t
Pentru t T0 avem: T0 2
, iar pentru t T1 avem: T1 2c , de unde
1α β
rezultă:
Teorema 8.5
T T
Avem t c 0 12α 1 β2 cu 2(c+1) grade de libertate.
2 2
159
Vom căuta în tabela 3 din Anexă ,pentru câte grade de libertate, adică 2(c+1), avem
2 2
T0 1 α T1 β , deci obţinem pe c, apoi din teorema 8.5 obţinem pe t c .
Exemplu:
Pn 1 T 1 1
de unde: ln k .ln o t .
Pn 0 T1 T1 T0
Avem cazurile:
β P 1 β
1) n1 , în care caz se continuă măsurătorile;
1 α Pn 0 α
P β
2) n 1 , în care caz se acceptă ipoteza H;
Pn 0 1 α
P 1 β
3) n 1 , în care caz se acceptă ipoteza alternativa H .
Pn 0 α
1 1 β 1β
ln ln
T T0
Cu notatiile: a 1 ; b 0 1 α ; b1 α (5)
T0 T0 T0
ln ln ln
T1 T1 T1
prin logaritmare in baza e,cazurile 1)-3) de mai sus conduc la :
Teorema 8.6
Avem cazurile:
1) a.t b0 k a.t b1 , în care caz se continuă măsurătorile;
2) k a.t b 0 , în care caz se acceptă ipoteza H;
3) k a.t b1 , în care caz se acceptă ipoteza alternativă H .
Exemplu:
Pentru controlul fiabilităţii unor staţii pentru epurarea dejecţiilor la porci, avem
=5%;=10%.
Să se verifice ipoteza H: t>4 luni faţă de alternativa H : t 1 lună prin control
secvenţial.
Soluţie:
Avem α 5%;β 10%; T0 4; T1 1 , deci conform formulelor (5) găsim:
a 0.54; b 0 1.62; b1 2.08 .
Tabelul de calcul cu datele de sondaj t i şi sumele k ti ,este:
161
t ti 0.54t-1.62 k t1 tn 0.54t+2.08
1 0 -1.08 0 2.62
2 1 -0.54 1 3.16
3 0 0 1 3.70
4 0 0.54 1 4.24
5 1 1.08 2 4.78
6 0 1.62 2 5.32
7 0 2.16 2 5.86
Se acceptă ipoteza H: t>4 luni după t=7 luni de funcţionare deci lotul de staţii de
epurare se acceptă la controlul calităţii.
8.3 Rezumat
8.4 Întrebări
8.5 Bibliografie
CAPITOLUL 9
Conţinut :
Cuvinte cheie : analiza varianţei nebalansată completă / ierarhică, model cu efecte fixe /
aleatoare,componente de varianţă,blocuri complete randomizate, patrate şi dreptunghiuri latine.
Datele relative la Y, din aceste sondaje le numim repetiţii (replicate) şi le notăm cu Y(i,j)
(i=1,......., m; j=1,.........., p(i)).
Forma generală a modelului liniar este:
Y(i, j)= +x (i)+e(i, j)
163
unde e(i, j) sunt variabilele aleatoare normale, independente câte două, cu media zero şi varianţa
σ2(E).
Orice variantă X(i) a lui X trebuie să modifice pe (i) nu şi pe σ.
Această condiţie se verifică prin ipoteza H: σ (1)2=..........= σ (m)2 faţă de
alternativa Ĥ: σ (1)2≠.........≠ σ (m)2 cu ajutorul testului Bartlett:
1 p (i )
Fie mediile de sondaj în cadrul variantelor
MY (i) Y (i, j) şi varianţele de
p(i) j 1
2) QQ0.001 deci se acceptă Ĥ adică σ(1)2......... σ(m)2 diferă distinct semnificativ între ele.
respectiv:
1, ......, x m
x x
p1, ......., pm
m
cu media M(x)= p(i)x(i)=0 şi varianţa σ 2(x).
i1
m
Notaţie : pT= p (i )
i 1
Calcule:
a) SPA şi GL:
m p (i ) m p (i )
SPAT= [Y(i,j)-MYT]2= Y(i,j)2-S2T/pT cu GLT=pT-1
i 1 j 1 i 1 j 1
m m
SPAX= p(i)[MY(i)-MYT]2= S(i)2/p(i)-S2T/pT cu GLX= m-1
i1 i1
m p (i )
SPAE= [Y(i,j)-MY(i)]2=SPAT-SPAX cu GLE=GLT-GLX=pT-m
i 1 j 1
b) S2:
S2X=SPAX/(m-1); S2E=SPAE/(pT-m)
c)F:
FX=S2 X/S2E1 cu [m-1; pT-m]GL
Sursa de SPA GL S2 F
variaţie
X SPAX m-1 S2 X FX
E SPAE pT-m S2 E -
T SPAT pT –1 - -
Raportul Fisher FX se compară cu valorile critice F0.05; F0.01; F0.001 extrase din tabelele
4,5,6 din Anexă pentru perechile de grade de libertate corespunzătoare şi se acceptă sau se
respinge ipoteza formulată mai sus.
Avem estimatorii:
σ *2(E)= S2(E); σ *2(X)= (S2X-S2E)/a(1,1),
m
1
unde a(1,1)= [pT-(1/pT). p2(i)]
m1 i 1
p(1)=.........=p(m)=p; pT=mp şi
p m 2
a(1,1)= x (i), pentru modelul cu efecte fixe;
m1 i1
şi
a(1,1)=p, pentru modelul cu efecte aleatoare;
Teorema 9.1
Demonstraţie:
aşa că:
(1) S2(i)/p(i)=
168
Deasemenea :
M(2p(i))x(i)=2p(i)M(x(i))=2p(i)x(i), pentru efecte fixe,
şi:
M(2p(i))x(i)=2p(i)M(x(i))=0, pentru efecte aleatoare.
m m p (i ) m
(4) S2T/pT=pT.2+(1/pT)[ p(i)x(i)]2+(1/pT)[ e(i,j)]2+2{[ p(i)x(i)]+
i 1 i 1 j 1 i 1
m p (i ) m m p (i )
+ [ e(i,j)]+ (1/pT)[ p(i)x(i)].[ e(i,j)]}
i 1 j 1 i 1 i 1 j 1
169
i 1 i 1 h1 k 1 i 1
Folosind perechile de relaţii (2), (5) pentru efectele fixe, găsim:
m m m
M(SPAX)=M( S2(i)/p(i)-S2T/pT)=M( S2(i)/p(i)-M(S2T/pT)= = p(i)2x(i)+(n-1)σ
i 1 i 1 i 1
2
(E) aşa că:
(7)
SPAX 1 m
M(S2X)=M( )= p(i)2x(i)+ σ 2(E)
n 1 m 1 i 1
m
1 1
M(S2X)= [pT- p2(i)] 2(x)+
m 1 pT i 1
2 2 2
Un calcul similar cu cel
precedent, aplicat pentru:
m p (i ) m
SPAE= Y2(i,j)- S2(i)/p(i) dă atât pentru efecte fixe cât şi pentru efecte
i 1 j 1 i 1
aleatoare:
M(SPAE)=(pT-m) σ 2(E), de unde:
(9)
M(S2E)= σ 2(E)
Q.E.D.
Teorema 9.2
Demonstraţie:
2)X, Y= independente MY(i) nu depinde de X(i), deci sunt egale între ele adică
MY(i)=MY (i=1,.....,m) aşa că SPAX =0 ,deci Ic=0, adică X, Y=necorelate.
3)X, Y= dependente funcţional (Y=f(x)) dacă şi numai dacă lui X(i) îi corespunde un
singur Z(i) adică Y(i,j) sunt egale între ele pentru orice j=1,....., p deci Y(i,j)=MY(i) (j=1,.......,
p) aşa că SPAX=SPAT ceeace are loc dacă şi numai dacă Ic=1. Q.E.D.
Exemplu:
X=proteină digestivă (PD) în raţia vacilor cu lapte ; Y=producţia lunară de lapte (litri)
într-o anumită lună a ciclului de lactaţie .
Luăm m=3 variante ale factorului X:
171
Etape de calcul:
a) SPA şi GL:
m p
SPAT= [Y(i,j)-MYT]2 =7576 cu GLT=mp-1=11GL
i 1 j 1
m
SPAX=p [MY(i,j)-MYT]2=7224 cu GLX=m-1=2GL
i 1
SPAE=SPAT-SPAX=352 cu GLE=11-2=9GL
b) S2:
SPAX 7576 SPAE 352
S2X= 3612 ;S2E= 39.11
GLX 2 GLE 9
c) F:
3612
FX= S2X /S2E 92.35 cu (2;9) GL
39.11
Din tabelele Fisher 4,5,6 din Anexă, găsim valorile critice pentru (2;9) GL : F0.05=4.26;
F0.01=8.02; F0.001=16.39.
Cum FX F0.001 se acceptă ipoteza Ĥ adică (1), (2), (3), diferă foarte semnificativ între
ele adică influenţa variaţiei factorului X asupra variaţiei factorului Y este foarte semnificativă aşa
că F=92.35***.
Testul Tukey
Diferenţe de medii
307 340 367
367 60** 27** -
340 33** - -
307 - - -
Din tabelele Tukey 7,8 din Anexă,pentru m=3 medii şi GLE=9 găsim T0.05=3.95;
T0.01=5.43 aşa că avem amplitudinile aşteptate:
A0.05= 39.11 / 4 X3.95=12.35
A0.01= 39.11 / 4 X5.43=16.98
Cele trei diferenţe din tabelul precedent depăşesc pe A0.01, deci sunt distinct semnificative
adică (1), (2), (3), diferă distinct semnificativ dauă câte două.
Aportul variaţiei lui X la variaţia lui Y egală cu 100%,este AX=IC2=95.5%.
Aportul variaţiei erorii la variaţia lui Y este AE=1-AX=4.5%
A B C
1 X1 X2 X3
2 300 330 366
3 314 338 362
4 306 342 370
5 308 350 370
unde e(i,j,k) sunt variabile aleatoare normale, independente două câte două cu media 0 şi
varianţa 2(E).
Reunim toate subpopulaţiile care corespund variantei X(i) fixate pentru orice j=1,....., n.
Exemplarele din această reuniune vor avea faţă de caracterul Z media:
n
X(i)=(1/n). (i,j), iar efectul principal al variantei X(i) este :
j 1
m
X(i)=X(i)- . Avem
i 1
X(i)=0.
În mod analog se reunesc subpopulaţiile ce corespund variantei Y(j) fixate pentru orice
i=1,......., m.
m
Exemplarele din această reuniune au faţă de caracterul Z, media Y(j)=(1/m). (i,j),
i 1
Cantitatea:
X.Y(i,j)= (i,j)-X(i)-Y(j)+ se numeşte efectul principal al interacţiunii variantei
X(i) cu varianta Y(j).
După modul de alegere al subpopulaţiilor după X şi Y, avem trei tipuri de modele :
174
În acest caz ambii factori X, Y definesc efecte constante X(i), Y(j), X.Y(i,j).
Ipotezele care se verifică sunt:
1) HX: X(1)=...........=X(m)= faţă de alternativa HX: X(1)≠...........≠X(m)≠
sau sub altă formă: HX: X(i)=0 faţă de alternativa HX: X(i) ≠0.
2) HY: Y(1)=...........=Y(n)= faţă de alternativa HY:Y(1)≠...........≠Y(n)≠ sau
sub altă formă: HY: Y(j)=0 faţă de alternativa: HY: Y(j) ≠0.
3) HX.Y: (i,j)= X(i)+ Y(j) faţă de alternativa HX.Y: (i,j) ≠ X(i)+ Y(j) sau
sub altă formă: HX.Y: X.Y(i,j)=0 faţă de alternativa: HX.Y: X.Y(i,j) ≠0.
În acest caz ambii factori definesc efecte aleatoare : X(i) sunt variabile aleatoare N(0;
(X)), Y(j) sunt variabile aleatoare N(0; 2(Y)), iar X.Y(i,j) sunt variabile aleatoare N(0;
2
2(X.Y)).
c) Modelul mixt:
În acest caz unul din factori, de exemplu X, este cu efecte fixe, iar cel de-al doilea Y este
cu efecte aleatoare.
Efectele X(i) sunt constante şi ipoteza care se verifică este:
1) HX: X(i)=0 faţă de HX: X(i) ≠0
Efectele Y(j) sunt variabile aleatoare de tip N(0; 2(Y)) şi ipoteza care se verifică este :
2) HY: 2(Y)=0 faţă de HY: 2(Y) ≠0
Efectele X.Y(i,j) sunt variabile aleatoare de tip N(0; 2(X.Y)) şi ipoteza care se verifică
este:
3) HX.Y: 2(X.Y)=0 faţă de HXY: 2(X.Y) ≠0.
În cazul celor trei modele, datele împreună cu calculele de sume si medii ale repetiţiilor pe
variante (X,Y), X, Y şi pe total se trec în tabelul care urmează:
175
Notaţii:
CALCULE:
a) SPA şi GL:
m n p (i , j ) m n p (i , j )
SPAT= [Z(i,j,k)-MZT]2= Z2(i,j,k)-S2T/pT cu GLT=pT-1 grade de
i 1 j 1 k 1 i 1 j 1 k 1
libertate;
m n m n
SPA(X,Y)= p(i,j)[MZ(i,j)-MZT]2= S2(i,j)/p(i,j)-S2T/pT cu GL(X,Y)=q-1 grade
i 1 j 1 i 1 j 1
de libertate;
m m
SPAX= px(i)[MZX(i)-MZT]2= S2X(i)/px(i)-S2T/pT cu GLX=m-1 grade de
i 1 i 1
libertate;
n n
SPAY= PY(j)[MZY(j)-MZT]2= S2Y(j)/pY(j)-S2T/pT cu GLY=n-1 grade de
j 1 j 1
libertate;
m n m n
SPAX.Y= p(i,j)[MZ(i,j)-MZx(i)-MZY(j)+MZT]2= S2(i,j)/p(i,j)-
i 1 j 1 i 1 j 1
m n
b) S2 :
c) F:
FX=S2X/S2E1 cu [m-1;pT-q]GL
2 2
FY=S Y/S E1 cu [n-1;pT-q]GL
2 2
FX.Y=S X.Y/S E1 cu [q-m-n+1;pT-q]GL
Sursa de SPA GL S2 F
variaţie
X SPAX m-1 S2 X FX
2
Y SPAY n-1 SY FY
X.Y SPAX.Y q-m-n+1 S2X.Y FX.Y
2
E SPAE pT-q SE -
T SPAT pT-1 - -
Rapoartele Fisher FX, FY, FX.Y se compară cu valorile critice F0.05; F0.01; F0.001 extrase
din tabelele 4,5,6 din Anexă, pentru perechile de grade de libertate corespunzătoare şi se acceptă
sau se resping ipotezele formulate mai sus.
(1) M(S2X)=a(1,1).2()+a(1,2).2()+a(1,3).2()+2(E)
(2) M(S2Y)=a(2,1).2()+a(2,2).2()+a(2,3).2()+2(E)
(3) M(S2X.Y)=a(3,1).2()+a(3,2).2()+a(3,3).2(.)+2(E)
(4) M(S2E)= 2(E)
unde:
1 1 m
a(1,1)= [ pT ( p2X(i))]
m 1 pT i 1
m n
1 1 1 n
a(1,2)= [ ( p2(i,j))- ( p2Y(j))]
m 1 i 1 p X (i ) j 1 pT j 1
m n
1 1 1 m n 2
a(1,3)= [ ( p2(i,j))- ( p (i,j))]
m 1 i 1 p X (i ) j 1 pT i1 j1
1 n 1 m
1 m
a(2,1)= [ ( p2(i,j))- ( p2X(j))]
n 1 j 1 pY ( j ) i 1 pT i 1
177
1 1 n
a(2,2)= [ pT ( p2Y(i))]
n 1 pT j 1
1 n 1 m
1 m n
a(2,3)= [ ( p2(i,j))- ( p2(i,j))]
n 1 j 1 pY ( j ) i 1 pT i1 j1
n 1
a(3,1)= - a (2, 1)
q m n 1
m 1
a(3,2)= - a (1, 2)
q m n 1
1 m
1
n
a(3,3)= [ pT ( p2(i,j))-
i 1 p X ( i ) j 1
q m n 1
n m
1 m n
Avem estimatorii:
*2(E)=S2E
*2 X S 2 X S 2E
1 2
*2 *2 Y 2
A S Y S E
* 2 S 2 S 2
X .Y X Y X .Y E
Sursa de SPA GL S2 F
Variaţie
X SPAX m-1 S2 X FX
Y SPAY n-1 S2 Y FY
E SPAE (m-1)(n-1) S2 E -
T SPAT mn-1 - -
Exemplu:
Repet Z
Medii pe Medii pe Medii pe Media
Z(i,j,p(i,j)) Variante variante X variante Y Totală
Variante (X,Y) (X,Y)
MZY(1)=15.17
MZT=15.67
MZX(2)=15.65
Etape de calcul :
a) SPA şi GL:
m n p
SPAT [ Z (i, j , k ) MZ T ] 2 10.2268 cu GL T =mnp-1=11GL
i 1 j 1 k 1
m n
SPA( X ,Y ) p [MZ (i, j ) MZT ] 2 9.9868 cuGL ( X ,Y ) =mn-1=5GL
i 1 j 1
m
SPAX np [ MZ X (i ) MZ T ] 6.8468 cu GL X =m-1=2GL
i 1
n
SPAY mp [ MZ Y ( j ) MZ T 1.9200 cu GL Y =n-1=1GL
j 1
b) S2 :
SPA X SPAY
S X2 3.4234; S Y2 1.9200
GL X GLY
SPA X Y SPAE
S X2 Y 0.61; S E2 0.04
GL X Y GLE
c) F:
S X2
FX 2 85.585 cu (2;6) GL
SE
SY2
FY 2 48 cu (1;6) GL
SE
S X2 Y
FX Y 2 15.25 cu (2;6) GL
SE
Din tabelele Fisher 4,5,6 din Anexă ,găsim valorile critice pentru (2;6) GL : F0.05 5.14 ;
F0.01 10.92 ; F0.01 27 ;
181
Cum FX F0.001 se acceptă ipoteza H adică X (1), X (2), X (3) diferă foarte
semnificativ între ele adică influenţa variaţiei lui X asupra variaţiei lui Z este foarte semnificativă
deci Fx 85.585 * * * .
A B C D
1 X1 X2 X3
2 Y1 14 15 16.1
3 14.2 15.4 16.3
4 Y2 15.2 16 16.9
5 15.6 16.2 17.1
Repetiţii Z
Z(i,j,p(i,j)) Medii pe Medii Media
Subvar. pe Totală
X Y Var.
Variante X
Y
(X(1), Y(1,1) Z(1,1,1),…………………,Z(1,1,p(1,1)) MZY (1,1)
. .
. . MZ X (1)
. .
. MZY (1, n(1))
(X(1), Y(1,n(1)) Z(1,n(1),1),………,Z(1,n(1),p(1,n(1)))
. . . .
. . . .
. . . .
MZ T
(X(m), Y(m,1)) Z(m,1,1),………………..,Z(m,1,p(m,1)) MZY (m,1)
. . .
. . .
. . . MZ X (m)
. . .
. . .
X(m), Y(m,n(m)) Z(m,n(m),1),……,Z(m,n(m),p(m,n(m))) MZY (m, n(m))
185
Notaţii:
m n(i ) n(i ) m
pT p (i, j ); p x (i ) p(i , j ); nT n(i ).
i 1 j 1 j 1 i 1
Calcule:
a) SPA şi GL:
m n (i ) p (i, j )
2
m n(i ) p (i , j )
2 S 2T
SPAT [ Z (i, j , k ) MZ T ] Z ( i, j , k ) cu
i 1 j 1 k 1 i 1 j 1 k 1 pT
GLT pT 1 grade de libertate;
m
S 2 X (i ) S 2 T
2
m
SPAX p X (i )[ MZ X (i ) MZT ] cu GL X m 1
i 1 i 1 p X (i ) pT
grade de libertate;
m n (i ) m n (i )
S 2 Y (i , j ) m S 2 X (i )
SPAY p (i, j )[ MZ Y (i , j ) MZ X (i )] 2 cu
i 1 j 1 i 1 j 1 p (i , j ) i 1 p X (i )
b) S2 :
SPAX 2 SPAX 2 SPAE
S2X ; S Y ; S E
m 1 nT m; pT nT
c) F:
2
S X S 2Y
FX 2 1 cu [m 1; nT m]GL; FY 2 cu [ nT m; pT m]GL .
S Y S E 1
Datele de la punctele a)-c) se trec în tabelul:
Sursa de SPA GL S2 F
Variaţie
X SPAX m-1 S2X FX
Y SPAY nT m S 2Y FY
E SPAE pT nT S 2E -
T SPAT pT 1 - -
Rapoartele Fisher FX , FY se compară cu valorile critice F0.05 ; F0.01 ; F0.001 extrase din
tabelele 4,5,6 din Anexă, pentru perechile de grade de libertate corespunzătoare şi se acceptă
sau se resping ipotezele formulate mai sus.
186
M (S 2 ) 2 ( X ) 2 ( Y ) 2 (E )
M (S 2 X ) a(1,1) a(1,2) 1
M (S 2 Y ) 0 a(2,2) 1
M (S 2 E ) 0 0 1
Avem estimatorii:
*2 ( E ) S 2 E ;
*2 SY2 S E2
(Y )
a(2, 2)
S 2 a (1, 2) *2 ( Y ) S 2 E
*2 ( X ) X
a (1,1)
M (S 2 ) 2 ( X ) 2 ( Y ) 2 (E)
M (S 2 X ) np p 1
M (S 2
Y ) 0 p 1
M (S 2 E ) 0 0 1
187
Exemplu
Fie X=genotip vier; Y=genotip scroafă şi Z=greutatea la fătare a purceilor (Kg); luăm
m=2 variante X X 1 (martor ), X 2 (elită) şi luăm n=2 subvariante Y pentru fiecare variantă
X: Y11 (martor), Y12 (elită) respectiv Y21 (martor), Y22 (elită).
Pentru fiecare variantă X şi fiecare subvariantă Y luăm câte p=3 repetiţii Z (purcei
rezultaţi din încrucişarea variantelor paterne cu subvariantele materne). Avem tabelul cu date:
Etape de calcul:
a) SPA şi GL:
m n p
SPAT [ Z (i, j , k ) MZ T ] 2 0.25 cu GLT =mnp-1=11 GL;
i 1 j 1 k 1
m n
SPAY p [MZ Y (i, j ) MZ X (i )]2 0.03 cu GLY =m(n-1)=2 GL;
i 1 j 1
m
SPA X np [ MZ X (i) MZ T ]2 0.12 cu GL X =m-1=1 GL;
i 1
SPAE SPAT SPAX SPAY 0.10 cu GLE GLT GLX GLY 8GL .
b)S2 :
SPAX SPAY SPAE
S2X 0.1200; S 2 Y 0.0150; S 2 E 0.0125.
GL X GLY GLE
c)F:
S2X
FX 8 cu (1;2) GL
S 2Y
S 2Y
FY 2 1.2 cu (2;8) GL
S E
Din tabelele Fisher 4,5,6 din Anexă,pentru (1;2) GL avem valorile critice
F0.05 18.51; F0.01 98.5; F0.001 998.5.
Cum FX F0.05 rezultă că influenţa variaţiei lui X asupra variaţiei lui Z este
nesemnificativă.
Din tabelele Fisher 4,5,6 din Anexă,pentru (2;8) GL avem valorile critice F0.05 4.46;
F0.01 8.65; F0.001 18.41.
188
Cum FY F0.05 rezultă că influenţa variaţiei lui Y asupra variaţiei lui Z este
nesemnificativă.
E 0.10 8 0.0125 -
T 0.25 11 - -
Desemnăm fiecare repetiţie printr-o casuţă în care notăm varianta aplicată X(i) şi
răspunsul repetiţiei Y(i;j). Un mod posibil de randomizare se asigură prin permutări circulare
ale variantelor de la un bloc la altul după schema:
Etape de calcul:
a) SPA şi GL
m l 2
S2X
FX 1 cu [m-1;(m-1)(l-1)]GL
S2E
S2B
FB 1 cu [l-1;(m-1)(l-1)]GL
S2E
Valorile precedente se trec în tabelul sintetic de analiză a varianţei:
Sursa de SPA GL S2 F
Variaţie
X SPAX m-1 S2 FXX
B SPAB l-1 S 2 FB
B
E SPAE (m-1)(l-1) S 2 -
E
T SPAT ml-1 - -
Valorile FX şi FB se compară cu valorile critice F0.05, F0.01 şi F0.001 extrase din tabelele
4,5,6 din Anexă, pentru perechile de grade de libertate corespunzătoare.
Se acceptă sau se resping ipotezele:
Etape de calcul:
a) SPA şi GL:
c) F:
S2X
FX 19 cu (2 ; 2) GL
S2E
S2B 1 S2E
FB 2 1 deci 9.02 cu (2 ; 1) GL
SE FB SB2
Din tabelele Fisher 4,5,6 din Anexă,pentru (2 ; 2) GL avem valorile critice F0.05 = 19,
F0.01 = 99 şi F0.001 = 999.
Cum F0.05 = FX < F0.01 influenţa variaţiei lui X asupra variaţiei lui Y este semnificativă,
aşadar FX = 19*.
Cum FB < 1 influenţa variaţiei blocului B asupra variaţiei lui Y este nesemnificativă.
SPA X SPA B
AX 94.4%; A B 0.6%
SPA T SPA T
A E 1-A X -A B 5%
A B C D
1 X1 X2 X3
2 B1 15 17 19
3 B2 14 18 20
Dacă planul blocurilor complete randomizate din secţiunea 9.3.1 se aplică în mai mulţi
ani (locuri) pe lângă factorul X apare şi factorul Y (an/loc) deci avem o analiză trifactorială
completă (X,Y,B) balansată cu o repetiţie în celulă: p(i;j;k) = 1.
Fie m numărul variantelor lui X şi n numărul variantelor lui A şi l numărul blocurilor
B. Fiecare variantă (X(i);Y(j)) se aplică în mod randomizat fiecărei repetiţii a blocului Bk,
dând răspunsul Z(i;j;k).
De exemplu randomizarea se poate face prin permutări circulare ale variantelor în
blocuri conform schemei:
B(1) (X(1);Y(1)) . (X(m);Y(n))
Z(1;1;1) . Z(m;n;1)
B(2) (X(m);Y(n)) . (X(m-1);Y(n-1))
Z(m;n;2) . Z(m-1;n-1,2)
………. ……………… …………. ……………..
B(l) (X(m-l+2);Y(m-l+2)) . (X(m-l+1);Y(m-l+1))
Z(m-l+2;m-l+2;l) . Z(m-l+1;m-l+1;l)
Datele se rearanjează în tabelul:
m
SPA X nl [MZX (i)-MZT ]2 cu GLX = m-1 grade de liberatate;
i=1
n
SPA Y ml [MZY (j)-MZT ]2 cu GLY = n-1 grade de liberatate;
j=1
b) S2:
SPA X 2 SPA Y 2 SPA XY SPA B 2 SPA E
S2X ; SY ; S XY ; SB2 ; SE
m-1 n-1 m-1 n-1 l -1 mn-1 l -1
c) F:
S2X
FX 2 1 cu [m-1;(mn-1)(l-1)]GL
SE
S2Y
FY 1 cu [n-1;(mn-1)(l-1)]GL
S2E
S2XY
F XY 1 cu [l-1;(m-1)(l-1)]GL
S2E
S2B
FB 1 cu [l-1;(mn-1)(l-1)]GL
S2E
Valorile precedente se trec în tabelul sintetic de analiză a varianţei:
Sursa de SPA GL S2 F
Variaţie
X SPAX m-1 S2 FX
X
Y SPAY n-1 S 2 FY
Y
(XY) SPA(XY) (m-1)(n-1) S 2 F(XY)
XY
B SPAB l-1 S2B FB
E SPAE (mn-1)(l-1) S2E -
T SPAT mnl-1 - -
Valorile FX, FY, FX.Y şi FB se compară cu valorile critice F0.05, F0.01 şi F0.001 extrase din
tabelele 4,5,6 din Anexă, pentru perechile de grade de libertate corespunzătoare.
Se acceptă sau se resping ipotezele:
194
Exemplu:
X = îngrăşăminte chimice NPK la cultura grâului
Y = producţia de grâu (quintale/ha)
Populaţia este neomogenă în raport cu Y dar se poate împărţi în l = 2 blocuri
omogene: B1(Cernoziom) şi B2(Brun roşcat de pădure), iar experienţa durează n = 2 ani
climatici consecutive (Y = factor de climă).
Luăm m = 3 variante X: X1(100 Kg/ha); X2(140 Kg/ha) şi X3(180 Kg/ha). Fiecare bloc
va conţine câte mn = 6 repetiţii (bloc complet).
În fiecare bloc variabilele X şi A se distribuie în mod aleator (bloc randomizat):
Etape de calcul:
a) SPA şi GL:
195
b) S2:
SPA X SPA Y SPA XY
S2X 56.334; S2Y 1.347; S2XY 0.327;
GLX GLY GL XY
SPA B SPA E
S2B 3; S2E 0.6
GL B GL E
c) F:
2
SX
FX 2
93.89 cu (2 ; 5) GL
SE
2
SY
FY 2
2.245 cu (1 ; 5) GL
SE
S2X.Y
FX.Y 0.545 cu (1 ; 5) GL
S2E
S2B
FB = =5 cu (1 ; 5) GL
S2E
Din tabelele Fisher 4,5,6 din Anexă ,pentru (2 ; 5) GL avem valorile critice F0.05 =
5.79, F0.01 = 13.27 şi F0.001 = 37.12
Cum FX > F0.001 influenţa variaţiei lui X asupra variaţiei lui Y este foarte
semnificativă, aşadar FX = 93.89 **.
Din tabelele Fisher 4,5,6 din Anexă,pentru (1 ; 5) GL avem valorile critice F0.05 =
6.61, F0.01 = 16.26 şi F0.001 = 47.18
Cum FY < F0.05 influenţa variaţiei climei Y asupra variaţiei lui Y este nesemnificativă.
Cum FX.Y < 1 influenţa variaţiei interacţiunii X.Y asupra variaţiei lui Y este
nesemnificativă.
Cum FB < F0.05 influenţa variaţiei solului B asupra variaţiei lui Y este nesemnificativă.
Tabelul sintetic de analiză a varianţei este:
Sursa de Variaţii Grade de Variaţie Rapoarte
Variaţie pătratice Libertate Fisher
(SPA) (GL) (S2) (F)
X 112.667 2 56.334 93.89***
Y 1.347 1 1.347 2.245
X.Y 0.653 2 0.327 0.545
B 3 1 3 5
E 3 5 0.6 -
T 120.667 11 - -
Indicii de corelaţie sunt:
196
SPA X SPA Y
Ic ( X ) 0.966***; Ic (Y ) 0.106;
SPA T SPA T
SPA X.Y SPA B
Ic ( X .Y ) 0.074; Ic ( B) 0.158
SPA T SPA T
Aporturile variaţiei lui X, Y, X.Y, B şi E la variaţia lui Y egală cu 100%, sunt:
SPA X SPA Y SPA X.Y
AX 93.4%; A Y 1.1%; A X.Y 0.5%;
SPA T SPA T SPA T
SPA B
AB 2.4%; A E 1-A X -A Y -A X.Y -A B 2.6%
SPA T
B(1;1) . B(1;m)
B(2;1) . B(2;m)
B(l;1) . B(l;m)
Etape de calcul:
a) SPA şi GL:
m n l 2
b) S2:
SPA X 2 SPA Y 2 SPA X.Y SPA B
S2X ; SY ; S X .Y ; S2B ;
m-1 n-1 m-1 n-1 l -1
SPA E1 SPA E 2
S2E1 ; S2E2
m-1 l -1 m n-1 l -1
c) F:
S2X
FX 2 1 cu [m-1;(m-1)(l-1)]GL
SE1
S2Y
FY 1 cu [n-1;m(n-1)(l-1)]GL
S2E2
S2X.Y
FX .Y 1 cu [(m-1)(n-1);m(n-1)(l-1)]GL
S2E 2
S2B
FB 1 cu [l-1;(m-1)(l-1)]GL
S2E1
200
Sursa de SPA GL S2 F
variaţie
X SPAX m-1 S2X FX
Y SPAY n-1 S2Y FY
XY SPAX.Y (m-1)(n-1) S2X.Y FX.Y
B SPAB l-1 S2B FB
E1 SPA E1 (m-1)(l-1) S2E1 -
E2 SPA E2 m(n-1)(l-1) S2E2 -
T SPAT mnl-1 - -
Valorile FX, FY, FX.Y şi FB se compară cu valorile critice F0.05, F0.01 şi F0.001 extrase din
tabelele 4,5,6 din Anexă,pentru perechile de grade de libertate corespunzătoare.
Se acceptă sau se resping ipotezele:
1) H X :μ X (1) … μ X m μ faţă de alternativa
H X :μ X (1) … μ X m μ
2) H Y :μ Y (1) … μ Y n μ faţă de alternativa
H Y :μ Y (1) … μ Y n μ
3) H X.Y :μ X.Y (1;1) … μ X.Y m; n μ faţă de alternativa
H X.Y :μ X.Y (1;1) … μ X.Y m; n μ
4) H B :μ B (1) … μ B l μ faţă de alternativa H B :μ B (1) … μ B l μ
Exemplu:
X = îngrăşăminte cu azot (Kg/ha)
Y = îngrăşăminte cu fosfor (Kg/ha)
Z = producţia de grâu (quintale/ha)
Populaţia este neomogenă dar se parte în l = 2 blocuri: B1(Cernoziom) şi B2(Brun
roşcat de pădure), şi în fiecare bloc se aplică randomizat câte o variantă X.
Blocurile se împart în n = 2 subblocuri pe care se cultivă randomizat câte un soi de
grâu Y: Y1(martor) şi Y2(elită).
La nivel de blocuri vom lua m = 3 variante X: X1(100 Kg N/ha); X2(140 Kg N/ha) şi
X3(180 Kg N/ha), iar la nivel de subblocuri vom lua n = 2 variante Y: Y1(50 Kg P/ha) şi
Y2(80 Kg P/ha). Blocurile conţin m = 3 subblocuri, deci sunt complete, iar subblocurile
conţin n = 2 repetiţii, deci sunt complete.
B11 B12 B13
B1 (X1;Y1) (X1;Y2) (X2;Y1) (X2;Y2) (X3;Y1) (X3;Y2)
22 25 27 28 30 34
31 30 24 20 27 26
201
Etape de calcul:
a) SPA şi GL:
Din tabelele Fisher 4,5,6 din Anexă,pentru (1 ; 2) GL avem valorile critice F0.05 = 18.51,
F0.01 = 98.50 şi F0.001 = 998.50. Cum FB < F0.05, influenţa variaţiei blocului asupra variaţiei lui Z
este nesemnificativă.
Tabelul sintetic de analiză a varianţei este:
Sursa de Variaţii Grade de Varianţe Rapoarte
Variaţie Pătratice Libertate Fisher
(SPA) (GL) (S2) (F)
X 144.5 2 72.25 642.67**
Y 16.4268 1 16.4268 145.11**
X.Y 3.0732 2 1.5366 13.57*
B 5.3868 1 5.3868 6.46
E1 0.1132 2 0.0566 -
E2 2.5 3 0.8333 -
T 172 11 - -
Indicii de corelaţie sunt:
SPA X SPA Y
Ic ( X ) 0.917**; I c (Y ) 0.309**;
SPA T SPA T
SPA X.Y SPA B
Ic ( X .Y ) 0.134*; I c ( B) 0.177
SPA T SPA T
Aporturile variaţiei lui X, Y, X.Y, B, E1 şi E2 la variaţia lui Z egală cu 100%,sunt:
SPA X SPA Y SPA X.Y
AX 84%; A Y 9.5%; A X.Y 1.8%;
SPA T SPA T SPA T
SPA B SPA E1 SPA E2
AB 3.1%; A E1 0.07%; A E2 1.53%
SPA T SPA T SPA T
Exemple:
A B A B C A B C D
B A C A B D A B C
B C A C D A B
B C D A
Două sau mai multe pătrate latine l x l se pot alipi după linii sau după coloane dând
naştere la un dreptunghi latin.
204
Exemple:
A B A B C D
B A B A D C
C D
D C
Planul în
Planul în pătrate latine rezultă din combinarea a două planuri în blocuri complete
randomizate, blocurile primului plan fiind liniile pătratelor iar blocurile celui de al doilea
plan fiind coloanele pătratelor.
Numărul l al repetiţiilor fiecărui bloc-linie este egal cu numărul repetiţiilor fiecărui bloc-
coloană şi este divizor al numărului m al variantelor factorului X.
Randomizarea variantelor factorului X, notate cu X(1), …, X(m) puse în locul literelor
latine, se asigură prin faptul că în fiecare pătrat latin fiecare variantă a lui X se aplică odată şi
numai odată repetiţiei din fiecare linie şi din fiecare coloană.
Desemnăm fiecare repetiţie printr-o căsuţă în care notăm varianta aplicată X(i) şi
răspunsul la ea Y(i;j;k).
Randomizarea este asigurată prin permutări circulare ale variantelor de la o linie (coloană)
la alta conform structurii pătratului latin. Rezultatele se valorifică prin analiza varianţei
trifactorială completă (X,L,C) cu p(i;j;k) = 1 repetiţii în celulă.
Etape de calcul:
a) SPA şi GL:
m l l 2
b) S2 :
SPA X 2 SPA L 2 SPA C 2 SPA E
S2X ; SL ; SC ; SE
m-1 l -1 l -1 l -1 m-2
c) F:
2
SX
FX 2
1 cu [m-1;(l-1)(m(l+1)-2)]GL
SE
2
SL
FL 2
1 cu [l-1;(l-1)(m(l+1)-2)]GL
SE
2
S C
FC 1 cu [l-1;(l-1)(m(l+1)-2)]GL
2
S E
Mărimile precedente se trec în tabelul sintetic de analiză a varianţei:
Sursa de SPA GL S2 F
variaţie
X SPAX m-1 S2X FX
L SPAL l-1 S2L FL
C SPAC l-1 S2C FC
E SPAE (l–1)[m( l–1)-2] S2E -
T SPAT ml2-1 - -
Valorile FX, FL şi FC se compară cu valorile critice F0.05, F0.01 şi F0.001 extrase din tabelele
4,5,6 din Anexă, pentru perechile de grade de libertate corespunzătoare.
e %
S2E2 GL E2 1 : S GL 1
2
E1 E1
GL E2 3 GL 3
E1
unde S2E1 şi S2E2 sunt varianţele erorilor celor două planuri experimentale iar GL E1 şi GL E2
sunt gradele de libertate ale acestora.
Exemplu:
C1 C2 C1 C2
L1 X1 X2 L1 X3 X4
10 12 13 14
L2 X2 X1 L2 X4 X3
12 12 15 16
Etape de calcul:
a) SPA şi GL:
SPAT = 26 cu GLT = 7 GL;
SPAX = 19 cu GLX = 3 GL;
SPAL = 4.5 cu GLL = 16 GL;
SPAC = 2 cu GLC = 1 GL;
SPAE = SPAT-SPAX-SPAL-SPAC = 0.5 cu GLE = GLT-GLX-GLL-GLC = 2 GL;
b) S2 :
SPA X SPA L SPA C SPA E
S2X 6.33; S2L 4.5;S2C 2; S2E 0.25
GLX GLL GLC GLE
c) F:
2
SX
FX 2
25.32 cu (3 ; 2) GL
SE
2
SL
FL 2
18 cu (1 ; 2) GL
SE
2
SC
FC 2
8 cu (1 ; 2) GL
SE
Din tabelele Fisher 4,5,6 din Anexă,pentru (3 ; 2) GL avem valorile critice F0.05 = 19.6,
F0.01 = 99.17 şi F0.001 = 999.20.
Cum F0.05 = FX < F0.01 influenţa variaţiei lui X asupra variaţiei lui Y este semnificativă,
aşadar FX = 25.32*.
Din tabelele Fisher 4,5,6 din Anexă,pentru (1 ; 2) GL avem valorile critice F0.05 =
18.51,F0.01 = 98.50 şi F0.001 = 998.50
Cum FL, FC < F0.05 influenţa variaţiei lui L şi C asupra variaţiei lui Y este
nesemnificativă.
Tabelul sintetic de analiză a varianţei este:
SPA X SPA L
AX 73.1%; A L 17.3%
SPA T SPA T
SPA C
AC 7.7%; A E 1-A X -A L -A C 1.9%
SPA T
e %
S2E2 GL E2 1 : S GL 1 2.4 240%
2
E1 E1
GL E2 3 GL 3
E1
Aşadar planul pătratelor latine este de 2.4 ori mai eficient ca planul blocurilor complete
randomizate.
9.5 Rezumat
9.6 Întrebări
9.7 Bibliografie
CAPITOLUL 10.
Conţinut :
SX S2X ; SY S2Y ;
SX SY
CX .100(%); CY .100(%)
X Y
Definiţiile, calităţile şi defectele acestor indicatori proprii au fost date în secţiunea 5.2.
b) Indicatorii de sondaj de legătură între caractere:
1
V) Covarianţa de sondaj: S XY
n 1
X i X Yi Y ;
Covarianţa de sondaj este o măsură a legăturii statistice a caracterelor X, Y fiind o
medie a produselor între abaterile valorilor de sondaj Xi faţă de X şi abaterile valorilor de
sondaj Yi faţă de Y .
Calităţi:
1) Covarianţa SXY are o valoare mărginită fiind cuprinsă în intervalul [-SXSY; + SXSY].
Dacă SXY > 0; Xi, Yi cresc sau scad simultan iar dacă SXY < 0; când Xi cresc, Yi scad şi
reciproc.
Dacă SXY = 0; Xi, Yi nu sunt corelate liniar.
2 2
Observăm că SXX = S X ; SYY = S Y .
Defecte:
2) Covarianţa SXY are unităţi de măsură egală cu produsul unităţilor de măsură ale lui
X şi Y deci nu permite comparaţii între perechile de caractere.
3) Covarianţa SXY este sensibilă la înmulţirea şi împărţirea datelor (secţiunea 2.2).
4) Covarianţa de sondaj SXY singură nu poate aprecia intensitatea legăturii statistice
între caracterele X, Y.
Dacă X1,…,Xn sunt depuse în celulele A1:An din coloana A în EXCEL iar
Y1,…,Yn sunt depuse în celulele B1:Bn din coloana B , atunci covarianţa Sxy
este dată de funcţia EXCEL scrisă în celula C1 : = COVAR((A1:An),(B1:Bn))
iar coeficientul de corelaţie liniară R este dat de funcţia EXCEL scrisă în
celula C2 : = CORREL((A1:An),(B1:Bn))
Valorea lui Sxy poate fi obţinută în EXCEL şi prin deschiderea ferestrei TOOLS
211
Calităţi
1) Coeficienţii B0, B1 au valori mărginite:
Sy Sy Sy Sy
B1 ; ; B
0 Y X ; Y X
SX SX SX SX
Defecte
2) B0 şi B1 au unităţi de măsură deci nu permit comparaţii între perechi de caractere;
3) B0 este sensibil la codificarea datelor iar B1 la înmulţirea şi împărţirea datelor;
4) Prognoza valorilor Y făcută pe baza dreptei de regresie Y = B0 + B1X este
aproximativă.
Dacă X1,…,Xn sunt depuse în celulele A1:An din coloana A în EXCEL iar
Y1,…,Yn sunt depuse în celulele B1:Bn din coloana B , atunci coeficientul de regresie liniară
B1 este dat de funcţia EXCEL scrisă în celula C3 : = SLOPE((A1:An),(B1:Bn)) iar termenul
liber al regresiei B0 este dat de funcţia EXCEL scrisă în celula C4 : =
INTERCEPT((A1:An),(B1:Bn))
Pentru prognoza valorii Y(0) = B0 + B1.X(0) se foloseşte funcţia EXCEL scrisă
În celula C5 : = FORECAST (X(0) , (A1:An),(B1:Bn)).
Fundamentarea afirmaţiilor din secţiunea 10.1 se bazează pe teoremele care urmează:
213
Teorema 10.1
1) Dreapta de regresie Y = B0 + B1X are coeficienţii daţi de relaţiile:
S XY
2 pt. B0 0
B1 S X
X Y / X 2 pt. B 0
i i i 0
n 1 1 R 2
SY t ; n - 2 GL
2 n n 2 2
Demonstraţie
1) Dacă regresia este cu termen liber (B0 0) vom minimiza variaţia reziduală cu
necunoscutele B0, B1:
SPAY.X = (y1 – B1x1 – B0)2 + … + (yn – B1xn – B0)2 = minim
(metoda celor mai mici pătrate)
Anulând derivatele parţiale ale lui SPAY.X în raport cu B1, B0, obţinem sistemul de
ecuaţii normale cu necunoscutele B1, B0:
B1 x i2 B0 x i x i y i
B1 x i nB 0 y i
S
Eliminând B0 între cele două ecuaţii normale, găsim B1 XY , apoi din a II-a
S2X
ecuaţie normală împărţită cu n, găsim B0 = Y -B1. X
Ecuaţia dreptei de regresie se scrie Y Y B1 X B1 X adică
Y - Y = B1(X - X ) deci dreapta de regresie Y = B0 + B1X trece prin centrul de
greutate ( X , Y ) al norului de puncte {(xi, yi) ; (i = 1, …, n}.
Dacă regresia este fără termen liber (B0 = 0) avem variaţia reziduală minimă:
SPAY.X = (y1- B1x1)2 + … + (yn – B1xn)2 = minim.
Anulând derivata lui SPAY.X în raport cu B1, găsim ecuaţia normală necunoscuta B1:
B1 X i2 X i Yi de unde B1 X i Yi / X i2 .
σ 2Y X
2) Avem M(Y – B0 – B1X) = M(Y) – B0 – B1M(X) = 0 şi V(Y – B0 – B1X) =
n
Y B0 B1X
deci variabila normată n este variabilă N(0, 1).
σ YX
n 2 SY2 X
Variabila 2
este variabilă 2 cu n – 2 GL, independentă de variabila N(0, 1)
Y X
Y B0 B1X
notată n . De aici rezultă că :
σ YX
214
n 2 SY2 X
Y B0 B1 X Y2 X Y B0 B1 X
t n: n este variabilă student cu n –
Y X n2 SY X
2 GL.
De aici rezultă: P t t t
2 2
1 adică intervalul de încredere pentru
Y – B0 – B 1X:
P Y B0 B1 X ; B0 B1 X 1
2 2
S
unde Y X t / 2;( n 2)GL este diferenţa limită.
2 n
Ţinând cont de demonstraţia teoremei 10.2 avem:
SPAY X 1 R SPAY 1 R n 1 SY
2 2 2
2
SY X deci avem
n2 n2 n2
n 1 1 R 2
SY t / 2;( n 2)GL
2 n n 2
Y D+
D
D
Y
D- D-
0 X X
Teorema 10.2
S XY
1) Coeficientul de corelaţie liniară este dat de relaţia: R ;
S X SY
2
2) Aporturile variaţiei lui X, E la variaţia lui Y sunt A X rXY ; AE = 1-AX
R
3) t n 2 este variabilă Student cu n – 2 grade de libertate.
1 R2
Demonstraţie
S
1) Dacă B1 XY ; B0 = Y - B1 . X se verifică prin calcul relaţia:
S2X
2 2
Yi Y B1X i B0 Y Yi B1X i B0 2 adică:
SPAY X
R 1 (2)
SPAY
216
R
SPAR
B X B Y
1 i 0
2
SPAY Y Y i
S
şi înlocuind pe B1 XY ; B0 = Y - B1 X
S2X
S XY
(conform teoremei 10.1) rezultă prin calcul: R
S X SY
Observăm că:
2
SPAXY
SPAY X 1 R 2 SPAY 1 SPAY adică:
SPAX SPAY
SPA 2XY
SPA Y X SPA Y (3)
SPA X
3) Ţinând cont de relaţia (2) relaţia (1) se scrie: SPAY R 2 .SPAY 1 R 2 .SPAY
sau 1 R 2 1 R 2
aşa că AX = R2 (numit şi determinaţie) este aportul în procente al variaţiei lui X la
variaţia lui Y şi AE = 1 – R2 este aportul în procente al variaţiei tuturor factorilor
necontrolaţi (numiţi Eroare) la variaţia lui Y.
Întreaga variaţie a lui Y este egală cu 100%.
2
SPA Y Yi Y
3) Avem varianţa totală a lui Y: S2Y , varianţa
GL Y n 1
2
R2 1
avem: F 2
: cu (1; n-2) GL şi conform secţiunii 3.2
1 R n 2
R
t F n2 este variabilă Student cu n – 2 GL.
1 R2
217
B1
Avem : t n2 Q.E.D.
SY2
B12
S X2
SY S
Avem B1 R de unde R B1 X aşa că valorile Yai calculate din dreapta de
SX SY
regresie Y = Y + B1(X - X ) conform relaţiei:
Teorema 10.3
Demonstraţie
1) Ya M (Ya ) M Y B1 X X Y B1 M X X Y
SYa V Ya V Y B1 X X B1 .V X X B12 .V ( X ) R 2 V (Y ) R 2 SY2
2
2
S X ,Ya C X , Ya M X Ya M ( X ) M (Ya) M [ X Y B1 ( X 2 X X )] X Y
C( X ,Y )
XY B1 M ( X 2 ) M 2 ( X ) X Y B1 V ( X ) V ( X ) S XY
V (X )
C ( X , Ya ) B1 V ( X )
RX ,Ya 1
V ( X )V (Ya ) V ( X ) B12 .V ( X )
S (Y )
Dar B1 ( X , Y ) deci B12 V ( X ) 2 ( X , Y ) V (Y )
S(X )
aşa că V (Yc) 1 2 ( X , Y ) V (Y ) 1 R 2 SY2
S X ,Yc C ( X , Yc) C X , Y (Y Ya) C X , Y Ya C ( X , Y ) C ( X , Ya) S XY S XY 0
C ( X , Yc)
RX ,Yc ( X , Yc) 0 . Q.E.D.
V ( X ).V (Yc)
Teorema 10.4
2u / n 3
şi
2
(1 R) (1 R)e 2
2 u / n 3
(1 R ) (1 R)e 2
' 2u / n 3
2
(1 R) (1 R)e 2
2
1 R n 1 S
2 2
X n X S
Y t
/ 2;( n 2) GL
2 n n 2 SX
(Fără demonstraţie)
2
1-
Se arată că: M ( R) ; V(R) deci lim V ( R) 0 aşa că R este
n n
t
2
R R / 2
t n 2
2
Valorile critice R pentru α = 0.05; 0.01; 0.001 şi n – 2 GL sunt date de tabela 10 din
2
Anexă.
Decizia asupra ipotezei H se ia astfel:
Dacă R R0.025 ipoteza H se acceptă: = 0 deci X, Y nu sunt corelate liniar în
populaţie.
În caz contrar avem cazurile:
a) R0.025 R R0.005 deci X, Y sunt corelate liniar semnificativ;
b) R0.005 R R0.0005 deci X, Y sunt corelate distinct semnificativ;
c) R R0.0005 deci X, Y sunt corelate liniar foarte semnificativ.
1 1 ρ" 1
N ln ; (z’, z” = independente) deci z’ – z” este variabilă
2 1 ρ" n 2 3
1 1 z'z"
N 0; aşa că u este variabilă N(0, 1).
n1 - 3 n 2 3 1 1
n1 3 n 2 3
Din tabela 11 din Anexă, obţinem transformatele Fisher z’ şi z” ale lui R’, R” apoi
calculăm pe u din relaţia precedentă şi îl comparăm cu valorile critice u0.025=1.96; u0.005=2.58;
u0.0005=3.29
Decizia se ia ca la punctul 1).
Exemple
xi 70 68 71 72 69 66 70 67 71 72
yi 55 54 56 60 54 50 56 53 56 58
Soluţie
Se reprezintă grafic norul de puncte cu coordonatele (xi, yi) cu unul din produsele
informatice EXCEL ,TCWIN .
Forma alungită a norului de puncte indică o dependenţă liniară. Deoarece pentru talia
X = 0 avem greutatea Y = 0, regresia este fără termen liber.
Calcule:
Mediile: MX= X
xi 696 69.6 cm
n 10
MY= Y
yi 552 55.2 kg
n 10
Abaterile – standard:
221
SX
x i X
38.40
4.27 2.07 cm
n 1 10 1
2
SY
y i Y
67.60
7.51 2.74 kg
n 1 10 1
Coeficienţii de variabilitate:
2.07 2.74
CX 100 3% ; CY 100 5%
69.6 55.2
Covarianţa S XY
xi X y Y 47.80 5.31 cm x kg
i
n 1 10 1
S XY 5.31
R 0.938
S X SY 2.07 2.74
AE = 12%
Ax = 88%
Concluzie: 88% din variaţia lui Y este datorată variaţiei lui X, restul de 12% se
datoreşte variaţiei altor factori necontrolaţi numiţi Eroare.
Pentru coeficientul de corelaţie liniară necunoscut ρ între X, Y în populaţie, avem
intervalele de încredere:
[0.801; 0.982] cu încrederea de 95%;
[0.688; 0.989] cu încrederea de 99%;
[0.504; 0.994] cu încrederea de 99.9%.
Intervalul cel mai mic [0.801; 0.982] cu încrederea de 95% are următoarea
interpretare:
222
Coeficientul de corelaţie necunoscut ρ între talia şi greutatea tuturor viţeilor din care
fac parte cei 10 ai sondajului, este cuprins între 0.801 şi 0.982 cu o încredere de 95%.
Există semiriscul 2.5% ca acest coeficient ρ să fie mai mic ca 0.801 atunci când
sondajul extras din populaţie a fost intens corelat liniar (în sondaj sunt viţei scunzi şi slabi
respectiv viţei înalţi şi graşi).
În mod analog există semiriscul 2.5% ca, coeficientul ρ să fie mai mare ca 0.982
atunci când sondajul extras din populaţie a fost slab corelat liniar (în sondaj sunt viţei de
toate categoriile: scunzi şi slabi, scunzi şi graşi, înalţi şi slabi, înalţi şi graşi).
Ipoteza H : ρ = 0.9 se acceptă deoarece ρ = 0.9 [0.801; 0.911].
B1
x y
i 38467 0.793 kg crestere greutate
i
2
x 48480
i 1 cm crestere talie
B0 = 0 kg (regresie fără termen liber).
Ţinând cont de relaţia : 1= .(Y/X) intervalul cel mai mic [0.676; 0.911] cu
încrederea de 95% are următoarea interpretare:
Coeficientul de regresie liniară necunoscut β1 între X şi Y în populaţia din care
provine sondajul este cuprins între 0.676 şi 0.911 cu încrederea de 95%.
Există semiriscul 2.5% ca acest coeficient β1 să fie mai mic de 0.676 atunci când
sondajul extras din populaţie a fost intens corelat liniar sau variabilitatea caracterului Y
raportată la variabilitatea caracterului X este relativ mare în populaţie.
În mod analog există semiriscul 2.5% ca acest coeficient β1 să fie mai mare ca 0.911
atunci când sondajul extras din populaţie a fost slab corelat liniar sau variabilitatea
caracterului Y raportată la variabilitatea caracterului X este relativ mică în populaţie.
Ipoteza H : β1 = 0.7 se acceptă deoarece β1 = 0.7 [0.676; 0.911].
n 1 1 R 2
Relaţia: SY t / 2;( n 2)GL
2 n n 2
10 1 1 0.9382
devine: 2.74 2.31 0.736
2 10 10 2
Ecuaţia dreptei de regresie cu fâşia de încredere Y B0 B1 X devine Y =
2
0.793X + 0.736.
Cu ajutorul acestei ecuaţii se pot face prognoze cu asigurarea de 95% astfel:
Pentru X = 75 cm avem valorile aşteptate:
60.211 kg (Maxima)
Ya = 0.793 x 75 + 0.736 = 59.475 kg (Media)
59.739 kg (Minima)
Pentru talia viţeilor Xa = 75 cm ,ne aşteptăm ca greutatea viţeilor din care provine
sondajul să fie cuprins între [58.739 kg; 60.211 kg] cu o încredere de 95%.
223
Există semiriscul 2.5% ca această greutate să fie sub 58.739 kg atunci când sondajul a
fost ales performant ca greutate.
În mod analog există semiriscul 2.5% ca această greutate să fie peste 60.211 kg atunci
când sondajul a fost ales neperformant ca greutate.
X 75 cm
Ipoteza H : a se acceptă deoarece Ya = 60 kg [58.739; 60.211].
Ya 60 kg
Valorile aşteptate Ya ale lui Y se calculează cu relaţia Ya = 0.793X iar valorile
corectate Yc ale Y sunt date de relaţia:
Yc Y Y Ya
Avem tabelul:
Soluţie
Prin R’= 0.938 avem din tabela 11 din Anexă, transformata Fisher z’= 1.7220 iar
pentru R”= 0.865 din aceeaşi tabelă, avem transformata Fisher z”=1.3132
ti 6 8 3 1 7 10 5 9 4 2
gi 6 8 4 1 7 10 5 9 3 2
di 0 0 1 0 0 0 0 0 1 0
d i2 0 0 1 0 0 0 0 0 1 0
6 d i2
Coeficientul de corelaţie a rangurilor R 1 devine R = 0.988 cu 10 – 2 =
n n 2 1
8 GL.
Valorile critice pentru n – 2 = 8 GL din tabela sunt R0.05 = 0.632; R0.01 = 0.765;
R0.001 = 0.872.
Cum R = 0.988 > R0.001 = 0.872, corelaţia rangurilor după talie şi greutate a tuturor
viţeilor din care fac parte cei 10, este foarte semnificativă.
Există cazuri când pentru caracterul Y avem observaţii multiple deci datele de sondaj
au forma:
xi yij yi
x1 y11 _________y1p y1
x2 y21 _________y2p
.
y2
. .
. .
xn yn1 _________ynp .
yn
În acest caz se poate face corelaţia şi regresia liniară între valorile xi şi mediile y i şi
pe de altă parte se poate face analiza varianţei monofactorilaă balansată între valorile xi şi
valorile yij.
Variaţia totală a valorilor Y este:
n p
SPAY yij Y
i 1 j 1
cu np – 1 GL
n 2
SPAR p B0 B1 X i Y
i 1
cu 1 GL
SPAE SPAX
Ic 1 (8)
SPAY SPAY
Rezultă de aici:
SPAR = R2 . SPAY cu 1 GL
SPAY.X = (1 – R2) . SPAY cu np – 2 GL
respectiv:
SPAX =Ic2 . SPAY cu n – 1 GL
SPAE = (1 – Ic2) . SPAY cu n(p – 1) GL
De asemenea:
SPAA = (Ic2 – R2) . SPAY cu n – 2 GL
Prin împărţire cu SPAY, relaţia (6) devine:
1 = R2 + (Ic2 – R2) + (1 – Ic2) (9)
2 2 .
Din relaţia SPAA = (Ic – R ) SPAY rezultă: 0 < R < Ic (10)
226
Reunind teorema 2.9 din secţiunea 2.2 şi teorema 9.2 din secţiunea 9.1,
obţinem:
Teorema 10.5
S A2 n2 I c2 R 2 n2
FA 2 : 2
: cu [n – 2; n(p – 1)] GL
S E n( p 1) 1 I c n ( p 1)
Ecuaţia dreptei de regresie între valorile xi şi y i cu fâşia de încredere se stabileşte ca
secţiunea 10.1.1 pe baza relaţiei: y = B0 + B1x + δ α
2
S
unde B1 XY2 ; B0 Y -B1 X ;
SX
( n 1)(1 R 2 )
SY t / 2;( n 2) GL
2 n( n 2)
227
Exemplu
Fie X = proteina digestibilă (kg) în raţia vacilor de lapte; Y = producţia lunară de lapte
(hectolitri). Avem n = 8 variante de proteină digestibilă aplicate la câte p = 3 vaci cu lapte.
Date de sondaj:
Xi Yij Yi Yai Y i
1 4.5; 4.5; 4.8 4.6 5.361 -0.761
1.05 5; 5; 5.3 5.1 5.629 -0.529
1.10 5.4; 5.3; 5.5 5.4 5.897 -0.497
1.15 6; 5.9; 6.1 6.0 6.165 -0.165
1.20 6.3; 6.3; 6.6 6.4 6.433 -0.033
1.25 6.9; 7; 7.1 7.0 6.701 0.299
1.30 7.5; 7.4; 7.6 7.5 6.969 0.531
1.35 7.9; 8.1; 8 8.0 7.237 0.763
B1
X i Yi 59.775 5.361 .
X i2 11.15
Valorile aşteptate sunt yai B1 .xi şi sunt înscrise în coloana patru a tabelului precedent.
8 3
Avem SPAY ( yij Y ) 2 30.452
i 1 j 1
8
SPAR=3 ( ya i Y ) 2 8.384
i 1
8
SPAA= 3 ( y i yai )2 6.254
i 1
8 3
SPAE = ( yij yi )2 15.814
i 1 j 1
Rezultă SPAX=SPAR+SPAA=14.638 şi
SPAY.X=SPAA+SPAE=22.068
SPAR SPAX
Rezultă R= 0.525; I c 0.693
SPAY SPAY
Testele ipotezelor
a) HX:=0 faţă de HX: ≠0
I c2 n 1
FX= 2
: 2.112 cu (7;16)GL
1 I c n ( p 1)
Din tabelele 4,5,6 din Anexă, avem valorile critice pentru (7;16) GL astfel:
F0.05=2.66; F0.01=3.04;F0.001=6.50
Cum FX<F0.05 , se acceptă ipoteza Hx: = 0
R2 1
FR= 2
: 8.371 cu [1;22] GL
1 R np 2
tR= FR =2.893 cu 22 GL
Din tabela Student 2 din Anexă,avem pentru 22 GL, valorile critice t0.05=2.07;
t0.01=2.82; t0.001=3.79. Cum tR [t0.01; t0.001] ipoteza HR: = 0 se respinge deci ≠
0 distinct semnificativ.
I c2 R 2 n 2
FA : 1.050
1 I c2 np 1
cu (6;16) GL.
Din tabelele Fisher 4,5,6 din Anexă, pentru (6;16) GL ,avem valorile critice
F0.05=2.74; F0.01=4.20; F0.001=6.81
Cum FA<F0.05 ipoteza HA: = se acceptă.
Funcţia de regresie este Y=B1X adică y=5.361X.
2 1 n
Avem S Y = (Y i Y )2 0.93
n i1
Lăţimea fâşiei de încredere cu =0.05 este
(8 1)(1 0.5252 )
2.5 % = 0.964 2.45 0.768
8(8 2)
deci Y=0.5361X 0.768
Exemple
1) X=precipitaţii în săptămâna t=i
Y = talia plantei în săptămâna următoare t’=i+1
Exemplu
X=proteina digestibilă în raţia unei vaci cu lapte (g/zi) în 11 zile consecutive
Y=producţia zilnică de lapte (litri/zi) în 11 zile consecutive.
229
Date de sondaj:
Xi 1000 1020 1040 1060 1080 1100 1120 1140 1160 1180 1200
Yi 9.6 9.6 9.7 9.8 9.9 9.9 9.9 10.1 10.3 10.4 10.6
Yi+1 9.6 9.7 9.8 9.9 9.9 9.9 10.1 10.3 10.4 10.6 -
Aplicând corelaţia şi regresia liniară între valorile (xi, yi+1) pentru primale n=10 zile,
obţinem:
Mediile: MX=1090 g/zi ; MY’=10.02 l/zi
Abaterile standard: SX=60.553 g/zi; SY,=0.322 l/zi
Covarianţa: SXY,=18.889 g x l/zi
Coeficientul de cross-corelaţie liniară: R=0.967
Coeficienţii de cross-regresie liniară:
B0=4.405; B1=0.005
Lăţimea fâşiei de încredere 2.5% =0.063;
Ecuaţia de cross-regresie este :Yt+1=B0+B1.Xt /2
Exemplu
Xi Yi Yai Yi
500 140 143.34 -3.34
540 155 152.43 2.47
600 170 165.81 4.19
660 180 178.93 1.07
690 185 185.40 -0.40
740 190 196.06 -6.06
800 210 208.66 1.34
900 230 229.25 0.75
Exemplu:
Xi Yi Yai Yi
1 4.5 4.67 -0.17
1.05 4.9 5.00 -0.10
1.1 5.4 5.32 0.08
1.15 5.8 5.62 0.18
1.2 6.1 5.90 0.20
1.25 6.3 6.18 0.12
1.3 6.4 6.43 -0.03
1.35 6.4 6.68 -0.28
Exemplu:
X= îngrăşăminte NPK (t/ha)
Y= producţia de grâu (t/ha)
Date de sondaj:
Xi 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35
Yi 2 2.3 2.8 3.6 3.9 4.1 4.2 4.2
Xi
Ui=e 1 1.051 1.105 1.162 1.221 1.284 1.350 1.419
Vi=1/Yi 0.500 0.435 0.357 0.278 0.256 0.244 0.238 0.238
Corelaţia şi regresia liniară de la punctul 10.1.1, aplicată perechilor de valori (Ui,Vi) dă
rezultatele: B0=1.059; B1=-0.618;R=-0.893**
Valorile critice ale lui R pentru 8-2=6GL, extrase din tabelele 4,5,6 din Anexă, sunt
R0.05=0.707; R0.01=0.834; R0.001=0.925, deci corelaţia logistică în populaţia din care provine
sondajul, este distinct semnificativă.
Avem tabelul cu valorile Xi, valorile observate Yi, valorile aşteptate Yai şi diferenţele
Yi=Yi-Yai
232
Xi Yi Yai Yi
0 2 2.27 -0.27
0.05 2.3 2.44 -0.14
0.1 2.8 2.66 0.14
0.15 3.6 2.93 0.67
0.2 3.9 3.28 0.62
0.25 4.1 3.76 0.33
0.3 4.2 4.44 -0.24
0.35 4.2 5.48 -1.28
Această funcţie are forma Y=B1Xae-X+B0, unde a este abscisa concentraţiei maxime
pentru Y.
Cu schimbările U= Xae-X; V=Y obţinem V=B0+B1U
Exemplu:
X= timp (minute scurse de la momentul aplicării unui vaccin pentru purcei )
Y= concentraţia în sânge al vaccinului (0/00)
a= 5 minute.
Date de sondaj:
Xi 1 2 3 4 5 6 7 8
Yi 0.4 0.9 1.5 1.8 2 1.7 1.4 0.8
Ui=X5e-Xi 0.368 4.33 12.10 18.76 21.06 19.27 15.33 10.99
Vi=Yi 0.4 0.9 1.5 1.8 2 1.7 1.4 0.8
Corelaţia şi regresia liniară de la punctul 10.1.1, aplicată perechilor de valori (Ui,Vi) dă
rezultatele (cu B0=0):
B0=0; B1=0.095; R=0.936***
Valorile critice ale lui R din tabelete 4,5,6 din Anexă,pentru 8-2=6GL sunt
R0.05=0.707; R0.01=0.834; R0.001=0.925,deci corelaţia de concentraţie în populaţia din care
provine sondajul, este foarte semnificativă.
Avem tabelul cu valorile Xi, valorile observate Yi, valorile aşteptate Yai şi diferenţele
Yi=Yi-Yai.
Xi Yi Yai Yi
1 0.4 0.04 0.36
2 0.9 0.41 0.49
3 1.5 1.15 0.35
4 1.8 1.79 0.01
5 2 2.01 -0.01
6 1.7 1.84 -0.14
7 1.4 1.46 -0.06
8 0.8 1.05 -0.25
233
B01 B11 .x 1 , x [L 0 ; L1 )
B B .x , x [L1 ; L2 )
02 12 2
y
...................................................
B0 k B1k .x k , x [L k-1 ; Lk )
Exemplu
X= densitatea plantelor de porumb-boabe(mii plante/ha)
Y= producţia de porumb-boabe(tone/ha)
Date de sondaj de la n = 11 loturi a 1000 m2 :
xi 50 54 58 62 66 70 74 78 82 86 90
yi 4 4.3 4.9 5.6 5.9 6 5.7 5 4.2 3 2
Valorile observate xi , yi , valorile aşteptate yai calculate cu cele două funcţii de regresie
liniară pe subintervale şi diferenţele Δyi =yi – yai sunt date de tabelul :
xi yi yai Δyi
50 4 4.014 - 0.014
54 4.3 4.449 - 0.149
58 4.9 4.883 0.117
62 5.6 5.317 0.287
66 5.8 5.751 0.049
70 6 6.186 - 0.186
74 5.7 5.860 - 0.160
78 5 4.920 0.080
82 4.2 3.980 0.220
86 3 3.040 - 0.040
90 2 2.100 - 0.100
Rc2 d 1
F 2
: (2)
1 Rc n d
R2 1
F 2
: (3)
1 R n 2
R
este variabilă Fisher cu (1;n-2) GL, deci t= F n2 este
2
1 R
variabilă Student cu n-2 GL ( punctul 3 al teoremei 10.2)
Deosebirea între R şi Rc este accea că R[-1;1], iar Rc[0;1]
XT.X.B=XT.Y
Dacă matricea simetrică XT.X de ordin m+1 este nesingulară (det(XT.X)0), sistemul
de ecuaţii normale are soluţie unică scrisă matricial:
B=(XT.X)-1.XT.Y
În cazul regresiei polinomiale fără termen liber (B0=0) ecuaţiile normale au forma:
Rc2 m 1
Fp 2
: (5)
1 Rc n m
237
cu (m-1;n-m)GL
Exemplu:
xi yi yai yi
0 15 15.28 -0.28
30 17 16.80 0.20
60 20 19.23 0.77
90 22 22.32 -0.32
120 25 25.80 -0.80
150 29 29.40 -0.40
180 34 32.88 1.12
210 36 35.97 0.03
240 38 38.40 -0.40
270 40 39.92 0.08
Variaţia totală este SPAY=742.4, iar variaţia reziduală este SPAY.X=3.025 aşa că
SPAY . X
raportul de corelaţie va fi : Rc= 1 =0.99796.
SPAY
Raportul Fisher Fp are forma (4) (regresia este cu termen liber) şi pentru n=10; m=3
capătă valoarea Fp=488.7 cu (3;6) GL.
Valorile critice Fisher din tabelele 4,5,6 din Anexă, cu (3;6) GL sunt: F0.05=4.76;
F0.01=9.78; F0.001=23.70.
Cum Fp=488.7 F0.001=23.70, corelaţia polinomială în populaţia din care provine
sondajul este foarte semnificativă.
în care avem 2k+1 parametri de regresie necunoscuţi T0, S1, C1,...., Sk,Ck.
Sistemul cu d= k+1 ecuaţii normale cu necunoscutele Y0, S1, C1,......., Sk,Ck dă
aceste valori astfel:
T0= MY
2 n 2 n
S1= yi sin xi ; C1= yi cos xi
n i1 n i1
...................................................……
2 n 2 n
Sk=
n i 1
yi sin kxi ; Ck= yi cos kxi
n i 1
Exemple :
1)X=timpul în luni
Y=temperatura medie lunară a aerului în perioada 1901-1990 la staţia meteo
Bucureşti-Filaret (0C).
Z=precipitaţiile medii lunare în perioada 1901-1990 la staţia meteo Bucureşti-Filaret
3
(m /ha).
239
Date de sondaj:
Luna X Temperatura Y Precipitaţii Z
1 -2.4 406
2 -0.3 340
3 5.2 374
4 11.6 444
5 16.9 681
6 20.6 860
7 22.8 578
8 22.3 512
9 17.8 391
10 11.8 411
11 5.5 485
12 0.4 411
a) Funcţia de regresie trigonometrică pentru temperatura medie lunară Y cu
k=2 armonice are coeficienţii:
T0=MY=11.01667 oC
S1= - 6.5409; C1= - 10.5161;
S2= - 0.4908; C2= - 0.5500.
Valorile echidistante xi, valorile din cerc xci = i.(2/12), valorile observate yi, cele
aşteptate yai = T0 + [s1.sin(xci) + c1.cos(xci)] + [s2.sin(2.xci) + c2.cos(2.xci)]
şi diferenţele yi=yi-yai sunt :
Variaţia totală este SPAY=2381.04, variaţia reziduală este SPAY.X=1.148, deci raportul
de corelaţie trigonometrică dat de relaţia (1) va fi Rc=0.999759
Raportul Fisher este dat de relaţia (6) şi pentru n=12; k=2 capătă valoarea : Ft=3629
cu (4; 7)GL.
Valorile critice Fisher din tabele 4,5,6 din Anexă, cu (4;7)GL sunt F0.05=4.12;
F0.01=7.85; F0.001=17.19
Cum Ft=3629 F0.001=17.19, corelaţia trigonometrică în populaţia din care provine
sondajul, este foarte semnificativă.
Media de sondaj de evoluţie este :
240
Y1 Y
Y2 ... Yn1 n
MYc 2 n 12.10 C
n 1
Ritmul mediu valoric D = (Yn – Y1 ) / (n – 1 ) şi ritmul mediu procen-
tual I = ( Yn / Y1 )1/n nu sunt relevante (vezi exemplul b) care urmează).
Variaţia totală este SPAZ=3142985, variaţia reziduală este SPAZ.X=331, deci raportul
de corelaţie trigonometrică dat de relaţia (6) este : Rc==0.9999474
Raportul Fisher Ft dat de relaţia (1) ,pentru n=12, k=5 capătă valoarea Ft=950.9893
cu (10; 1) GL.
Valorile critice Fisher pentru (10;1) GL extrase din tabelele 4,5,6 din Anexă, sunt
F0.05=241.9; F0.01=6056; F0.001=605600
Cum F0.05 < Ft <F0.01, corelaţia trigonometrică în populaţia din care provine sondajul
este semnificativă.Media de sondaj de evoluţie este:
Z1 Z
Z 2 ... Z n1 n
MZ c 2 2 498.6 m3 / ha
n 1
cu coeficienţii :
T0 = 0.4545
S1 = 88.1767 ; C1 = - 9.2242
S2 = - 130.8601 ; C2 = - 30.5617
S3 = 35.6283 ; C3 = 11.4850
S4 = - 63.7047 ; C4 = 50.5501
S5 = 50.5501 ; C5 = 15.0625
cu coeficienţii :
T0 = 1.0292
S1 = 0.1698 ; C1 = - 0.0512
S2 = - 0.2464 ; C2 = - 0.0568
242
S3 = 0.0107; C3 = 0.0137
S4 = - 0.0789 ; C4 = - 0.1194
S5 = 0.0349 ; C5 = 0.0316
Pentru a prognoza volumul precipitaţiilor lunare Zp pentru o valoare
X p [ j; j 1] [0;12]
vom folosi relaţia : Zp = Zj . h( XCp ) cu XCp = Xp.(2 /11)
y=[B0+B1x+.......+Bmxm]+[T0+S1sinx+C1cosx+........+Sksinkx+Ckcoskx]
a)Partea polinomială din prima paranteză pătrată din membrul doi, este neperiodică şi
se numeşte tendinţă (trend), coeficienţii B0, B1, ........, Bm, se stabilesc ca în secţiunea 10.3.1
de mai sus, prelucrând datele primare (xi, yi) (1 i n).
Valorile aşteptate ale regresiei polinomiale sunt date de relaţia
yap i= B0+B1xi+.......+Bmxi m, iar ypi=yi-yapi.
Testarea ipotezei H: ρcp=0 faţă de alternativa H: ρcp0 adică a inexistenţei sau a
existenţei trendului polinomial în populaţia din care face parte sondajul, se face cu raportul
Fisher dat de relaţia (4) :
Fp=[Rcp2/(1-Rcp2 ]: [m/(n-m-1)], care are (m; n-m-1) GL.
Aici raportul de corelaţie polinomială Rcp are forma din relaţia (1):
SPAY . X
Rcp= 1 ,
SPAY
n n
cu SPAY= ( yi y ) 2 ;SPAY.X= ( yi yapi ) 2 .
i 1 i 1
b) Partea trigonometrică din a doua paranteză pătrată din membrul doi al funcţiei
de regresie de mai sus ,este periodică şi se numeşte parte ciclică sau sezonieră,
coeficienţii T0, S1, C1,........, Sk, Ck se stabilesc ca în secţiunea 10.3.2 de mai sus,
prelucrând datele reziduale (xi; ypi) de la regresia polinomială, unde ypi=yi-yapi
(1 i n).
Valorile aşteptate ale regresiei trigonometrice sunt date de relaţia :
yati=T0+S1sin xi+C1cos xi+........+Sksin kxi+Ckcos kxi.
Diferenţele ypti = yp i – yati are forma ypti=yi-yap i - yati .
Valorile aşteptate ale regresiei polinomial-trigonometrice sunt:
yapti= yapi + yati , aşa că ypti=yi - yapti .
Testarea ipotezei H: ρct=0 faţă de alternativa H:ρct 0, adică a inexistenţei sau a
existenţei părţii ciclice în populaţia din care face parte sondajul, se face cu raportul Fisher dat
de relaţia (6) şi anume :
Ft=[(Rct)2/(1-(Rct)2 )]: [2k/(n-2k-1)] cu (2k; n-2k-1) GL.
Aici raportul de corelaţie trigonometrică are forma din relaţia (1) şi anume:
SPADY . X
Rct= 1
SPADY
n
unde SPADY= (ypi ypi ) 2
i 1
243
n
şi SPADY.X= (ypi yati ) 2
i 1
Exemplul 1 :
X=timpul (zile trecute de la data fătării)
Y=producţia zilnică de lapte de vacă (litri/zi)
Date de sondaj:
xi 28 56 84 112 140 168 196 224 252 280 308
yi 15 18 20 21 22 19 16 12 8 4 2
a) Regresia polinomială:
Pentru funcţia polinomială alegem gradul m=3, deci y= B0+B1x+B2x2+B3x3.
Sistemul de 4 ecuaţii normale are ca soluţii coeficienţii de regresie:
B0=7.61776; B1=0.28246; B2=- 0.00166; B3=0.0000022.
Valorile echidistante xi, valorile în cerc xci = i.(2 / 11), valorile observate yi, valorile
aşteptate yapi = B0+B1 .xi +B2 xi 2 +B3 xi 3 ale regresiei polinomiale şi diferenţele yp i=yi-
yap i se găsesc în tabelul de mai jos.
Avem SPAY=478.182; SPAY.X=5.481, deci Rcp=0.994252 cu (3; 7)GL.
Valoarea Fisher este Fp=201.22, iar valorile critice din tabelele 4,5,6 din Anexă,
pentru (3;7) GL sunt: F0.05=4.35; F0.01=8.45; F0.001=18.77
Cum Fp=201.22F0.001=18.77, corelaţia polinomială este foarte semnificativă în
populaţia din care provine sodajul.
b) Regresia trigonometrică :
Perechile de valori (xi; ypi) din tabelul de mai jos se prelucrează cu regresia
trigonometrică cu k=2 armonice, deci: yp=S0+(S1sinx+C1cosx)+(S2sin2x+C2cos2x.)
Conform secţiunii 10.3.2 de mai sus, avem coeficienţii de regresie trigonometrică:
T0=0.00000217
S1= -0.0548; C1= -0.2158;
S2= 0.3089; C2= 0.7362;
Valorile aşteptate ale regresiei polinomial-trigonometrice
yapti =[ B0+B1 .xi +B2 xi 2 +B3 xi 3 ] + [ T0 +s1.sin(xci) +c1.cos(xci)+
+ s2.sin(2.xci)+c2.cos(2.xci)]
şi diferenţele ypti=yi-yapti se găsesc în tabelul de mai jos:
Valoarea Fisher este Ft=3.328, iar valorile critice din tabelele 4,5,6 din Anexă, pentru
(4; 6) GL sunt F0.05=4.53; F0.01=9.15; F0.001=21.92.
Cum Ft=3.328F0.05=4.53, corelaţia trigonometrică este nesemnificativă în populaţia
din care provine sondajul.
Media de sondaj de evoluţie este :
Y1 Y
Y2 ... Yn 1 n
MYc 2 2 14.85 litri lapte/zi
n 1
Ritmul mediu valoric D = (Yn – Y1 ) / (n – 1 ) şi ritmul mediu procentual
I = ( Yn / Y1 )1/n nu sunt relevante (vezi exemplul b) din secţiunea 10.3.2 de mai sus).
Exemplul 2:
X= timpul (zile trecute de la data ecloziunii ouălelor de găină)
Y=greutate pui broiler (grame)
Date de sondaj:
xi 0 7 14 21 28 35 42 49 56
yi 21 92 213 378 580 791 1005 1220 1432
a) Regresia polinomială :
Luăm m=3, deci:
B0=19.74748; B1=6.16912; B2=0.63531; B3= - 0.0052885
Valorile echidistante xi, valorile în cerc xci = i.(2/9), valorile observate yi, valorile
aşteptate yap i = B0+B1 .xi +B2 xi 2 +B3 xi 3 ale regresiei polinomiale şi diferenţele
ypi=yi-yap i se găsesc în tabelul de mai jos.
SPAY=2057641; SPAY.X=108; Rcp=0.9999738 cu (3; 5)GL;
Fp=31804.948***
F0.05=5.41; F0.01=12.06; F0.001=33.20<Fp
Corelaţia polinomială în populaţia din care provine sondajul este foarte
semnificativă.
b) Regresia trigonometrică :
Luăm k=2 armonice, deci:
T0= - 0.00007354;
S1= -0.4810; C1= -0.7903;
S2=4.0881; C2=1.6168
Valorile aşteptate ale regresiei polinomial-trigonometrice
yapti =[ B0+B1 .xi +B2 xi 2 +B3 xi 3 ] + [ T0 +s1.sin(xci) +c1.cos(xci)+
+ s2.sin(2.xci)+c2.cos(2.xci)]
şi diferenţele ypti=yi-yapti se găsesc în tabelul de mai jos:
Y1 Y
Y2 ... Yn 1 n
MYc 2 2 625.7 g
n 1
P (x )P (x ) 0 ;
i 1
s i
t i
(s, t=0, 1,........., m)
n n n
yi P0 ( xi )
i 1
yi P1 ( xi )
i 1
y P (x )
i 1
i m i
B0= n
, B1= n
, . . . , Bm= n
, (1 i n). (1)
2 2 2
P
i 1
0 ( xi ) P
i 1
1 ( xi ) P
i 1
m ( xi )
Un alt avantaj al polinoamelor ortogonale este acela că valoarea lui B1 nu este afectată
de valoarea lui B0, valoarea lui B2 nu este afectată de valorile lui B0 şi B1, ........., valoarea lui
Bm nu esta afectată de valorile lui B0, B1, .........., Bm-1, deci adăugarea de noi coeficienţi Bj
menţine valorile coeficienţilor deja calculaţi şi micşorează variaţia reziduală SPAY.X, deci
SPAY . X
măreşte raportul de corelaţie neliniară: Rc= 1 .
SPAY
Tot ortogonale sunt şi funcţiile trigonometrice 1, sinx, cosx,...........,sin kx, cos kx, în
număr de m=2k+1 folosite în corelaţia şi regresia trigonometrică din secţiunea 10.3.2:
Dacă fi(x), fj(x)1, sinx, cosx,...........,sinkx, coskx avem
02 fi(x)fj(x)=0 (i j)
şi în regresia trigonometrică valoarea lui Bi nu este influenţatăde valorile lui
B0,B1,.........,Bi-1 (0 i 2k), deci calculul unor noi coeficienţi de regresie trigonometrică
păstrează valorile coeficienţilor gata calculaţi şi măreşte gradul de precizie al regresiei
trigonometrice.
O clasă concretă de polinoame ortogonale este dată prin relaţiile de recurenţă:
P0(x)=1; P1(x)=x-MX;
n n
x j P r 1 ( x j ) Pr21 ( x j )
j 1
Pr 2 ( x) x n .Pr 1 ( x) j 1 Pr ( x) ,
n
2 2
Pr 1 ( x j ) Pr ( x j )
j 1 j 1
P0(xi)=1; P1(xi)=xi-MX;
n n
x j P r 1 ( x j ) Pr21 ( x j )
j 1
Pr 2 ( xi ) xi n .Pr 1 ( xi ) j 1 Pr ( xi ) ,
n
2 2
Pr 1 ( x j ) Pr ( x j )
j 1 j 1
Caz particular :
10.4 Rezumat
În acest capitol se prezintă corelaţia şi regresia liniară , unele corelaţii şi regresii reductibile
la cea liniară precum şi corelaţiile şi regresiile neliniare exemplificate prin corelaţiile şi
regresiile polinomială, trigonometrică , polinomial-trigonometreică. şi cu polinoame
ortogonale .
10.5 Întrebări
10.6 Bibliografie
CAPITOLUL 11
Conţinut :
1 RXY RXZ
T RYX 1 RYZ
R RZY 1
ZX
S S S
unde RXY XY -1;1 ; R XZ XZ -1;1 ; R YZ YZ -1;1
SX SY SX SZ SY SZ
Funcţia de regresie liniară multiplă are forma: Z B0 B1 X B2 Y unde coeficienţii de
regresie liniară multiplă B0, B1, B2 sunt daţi de:
Teorema 11.1
n 1 1 RZ2. XY
2) Lăţimea fâşiei de încredere este SZ t ; (n 3)GL unde RZ . XY
2 n n 3 2
1) Dacă regresia este cu termen liber (B0=0) vom minimiza variaţia reziduală cu
necunoscutele B0, B1, B2:
2 2
SPA Z XY z1 B1 x1 B2 y1 B0 zn B1 xn B2 yn B0 minim.
Anulând derivatele parţiale ale lui SPA Z.XY în raport cu B1, B2, B0, obţinem sistemul de ecuaţii
normale cu necunoscutele B1, B2, B0:
B1 xi2 B2 xi yi B0 xi xi zi
2
B1 xi yi B2 yi B0 yi yi zi
B
1 xi B2 yi nB0 zi
2 2
SPA Z.XY z1 B1 x1 B2 y1 zn B1 xn B2 yn minim.
Anulând derivatele parţiale ale lui SPA Z.XY în raport cu B1 şi B2, găsim sistemul de ecuaţii
B1 xi2 B2 xi yi xi zi
normale cu necunoscutele B1 şi B2: 2
B1 xi yi B2 yi yi zi
Prin rezolvarea acestui sistem găsim pe B1 şi B2.
P t t t
2 2
1 adică intervalul de încredere pentru Z-B -B X-B Y : 0 1 2
z P+
P -
z P
y
0
y
x
x
P + : Z B0 +B1X+B2 Y+
2
+ -
Aici planele de regresie P , P şi P au ecuaţiile: P : Z B0 +B1 X+B2 Y
P - : Z B0 +B1X+B2 Y-
2
Q.E.D.
Teorema 11.2
Demonstraţie:
252
1) B0, B1, şi B2 sunt daţi de teorema 11.1, pct. 1); se verifică prin calcul relaţia:
n 2 n 2 n 2
z
j 1
j Z B x +B y
j 1
1 j 2 j B0 Z z j 1
j B1 x j B2 y j -B0
Înlocuind pe B1, B2 şi B0 daţi de teorema 10.1 pct. 1) în această expresie, rezultă prin calcul:
2 2
RZX RZY 2 RZX RZY RXY
RZ . XY 2
.
1 RXY
TXX TXY TXZ matricea adjunctă a matricii de
* corelaţie T, formată cu
Fie T TYX TYY TYZ
complemenţii algebrici ai
T TZY TZZ
ZX elementelor din T
det T
Rezultă RZ . XY 1 (3)
TZZ
Dacă B1, B2 şi B0 sunt daţi de teorema 11.1 punctul 1), se verifică prin calcul relaţia (cu
Y=constant):
2 2
z B x B y z 2
i Z 1 i 2 0 B0 Z i B1 xi B2 y0 B0 (4)
SPA Z . XY
RZX .Y 1 (5)
SPA Z .Y
2
şi înlocuind pe B1, B2 şi B0 cu valorile lor din teorema 11.1 punctul 1), găsim prin calcul:
1 RZ2 . XY RZX RZY RXY
RZX .Y 1 2
(6)
1 RZY 1 R 1 R 2 2
ZY XY
TYZ
Cu ajutorul complemenţilor algebrici din T* avem: RZX .Y
TYY TZZ
253
RZX .Y 1 RZ . XY 1
Observăm că: 1 RZ2. XY 1 RZY
2
1 RZX2 .Y de unde rezultă: RZX .Y 0 RZ . XY RZY
LXZ
Cu ajutorul complemenţilor algebrici din L* avem: RZY . X
LXX LZZ
RZY . X 1 RZ . XY 1
Observăm că: 1 RZ2 . XY 1 RZX
2
1 R de unde rezultă: R
2
ZY . X
ZY . X 0 RZ . XY RZX
.Y 1 RZY 1 RZ . XY
2 2 2 2
1 RZY RZX
varianţa reziduală: S 2
SPA Z . XY
z -B x
i 1 i B2 yi B0
.
Z . XY
GL Z . XY n 3
S2R
Rezultă variabila Fisher F X,Y cu (2; n-3) GL.
S2Z . XY
SPA Z . XY 1 RZ . XY SPA Z
2
2 SPA R RZ2 . XY SPA Z 2
Dar S R şi SZ . XY aşa că:
2 2 n3 n3
RZ2 . XY 2
F X,Y 2
: cu (2; n-3) GL
1 RZ . XY n 3
254
S2RX
SPA RX
B x
1 i B 2 y0 B 0 Z şi
GL RX 1
2
varianţa reziduală : S 2
SPA Z . XY
z -B x
i 1 i B 2 y0 B 0
.
Z . XY
GL Z . XY n3
S2RX
Rezultă variabila Fisher FX cu (1; n-3) GL.
S2Z . XY
SPA Z . XY 1 RZX .Y SPA Z .Y
2 2
2 SPA RX RZX .Y SPA Z .Y 2
Dar: S RX şi SZ . XY aşa că:
1 1 n 3 n 3
2
RZX .Y 1 RZX .Y
FX 2
: cu (1; n-3) GL deci: tX n 3 este variabilă Student
1 RZX .Y n 3 1 RZX2
.Y
cu n-3 GL.
RZY . X
În mod analog tY n 3 este variabilă Student cu n-3 GL .
2
1 RZY .X
Q.E.D.
Între coeficienţii de corelaţie parţiali şi coeficienţii de regresie liniară multiplă există relaţiile:
S S
B1 RZX .Y Z .Y ; B2 RZY . X Z . X
S X .Y SY . X
care generalizează relaţia de la corelaţia liniară simplă între X şi Y:
S
B1 R Y .
SX
Ecuaţia planului de regresie se poate scrie şi sub forma:
Z Z B1 X X B2 Y Y .
În continuare vom aborda testele pentru corelaţia liniară multiplă în populaţie.
2) Coeficienţii de corelaţie liniară multiplă parţiali de sondaj RZX.Y şi RZY.X sunt variabili de
la un sondaj la altul în jurul coeficienţilor de corelaţie parţiali necunoscuţi ρZX.Y şi respectiv
ρZY.X din populaţie.
Testul ipotezei H: ρZX.Y=0 faţă de alternativa H : ZX .Y 0 se face pe baza teoremei 11.2
RZX .Y
punctul 3) astfel: se calculează tX n 3 cu n-3 GL. Din tabela 2 din Anexă,
2
1 RZX .Y
Exemplu:
xi 142 141 142 143 146 140 142 143 142 144
yi 3.8 3.3 4 4.1 4.4 3 3.9 4 3.7 4.2
zi 110 109 112 114 118 106 111 112 110 115
Soluţie:
1)
Vectorul mediilor este X 142.5 cm; Y 3.84 cm; Z 111.7 Kg
S2X 2.722 S XY 0.622 S XZ 5.389
Matricea de covarianţă este: S SYX 0.622 SY2 0.176 SYZ 1.324
S 5.389 S 1.324 S2 11.344
ZX ZY Z
1 RXY 0.8989 RXZ 0.9697
Matricea de corelaţie liniară: T RYX 0.8989 1 RYZ 0.9373
R 0.9697 R 0.9373 1
ZX ZY
256
RZY . X
tY n3 devine tY 1.26 cu 7 GL.
2
1 RZY .X
Din tabela 2 din Anexă,pentru 7 GL găsim: t0.025 = 2.36; t 0.005 = 3.50; t0.0005.= 5.41
Cum t0.005 = 3.50 < tX < t0.005 = 5.41 corelaţia liniară parţială între greutatea în viu a porcilor
şi lungimea carcasei când grosimea stratului de grăsime este constantă, este distinct
semnificativă deci RZX .Y 0.8328**
Cum tY < t0.025 = 2.36, corelaţia liniară între greutatea în viu a porcilor şi grosimea stratului de
grăsime când lungimea carcasei este constantă, este nesemnificativă deci RZY . X 0.4297
Aporturi:
A X,Y RZ2 . XY 0.982 96.3%
A X RZ2 . XY RZY
2
8.4%
A Y RZ2 . XY RZX
2
2.2%
A XY A X,Y A X A Y 85.7%
A E 1 A X,Y 3.7%
257
Variaţia totală a greutăţii în viu a porcilor fiind considerată 100%, 8.4% din ea se datoreşte
variaţiei lungimii carcasei, 2.2% din ea se datoreşte variaţiei grosimii stratului de grăsime,
85.7% din ea se datoreşte variaţiei interacţiunii între lungimea carcasei şi grosimea stratului de
grăsime iar restul de 3.7% se datoreşte variaţiei altor factori necontrolaţi numiţi Eroare care au
fost relativ constanţi pentru cele 10 exemplare din sondaj.
3) Planul de regresie: Z B1 X B2 Y
(regesia este fără termen liber :B0=0)
B1 şi B2 sunt soluţiile sistemului liniar :
B1 xi2 B2 xi yi xi zi 203087 B1 5477.6 B2 159221
2
adică de unde:
B1 x i yi +B2 yi yi zi 5477.6 B1 +149.04 B2 4301.2
0.6441 Kg creştere greutate porc
B1 = când grosimea stratului de grăsime este constantă.
1 cm creştere lungime carcasă
5.1858 Kg creştere greutate porc
B2 = când lungimea carcasei este constantă
1 cm creştere lungime carcasă
n 1 1 RZ2. XY
Lăţimea fâşiei de încredere este: SZ t ; (n 3)GL
2 n n 3 2
Pentru = 5% din tabela 2 din Anexă, avem t0.005 = 2.36 pentru 7 GL aşa că 2.5% = 0.55 Kg.
Planul de regresie cu fâşia de încredere va fi: Z 0.6441X 5.1858Y 0.55 .
Prognoză pentru X = 70 cm; Z = 4.5 cm:
Valoarea aşteptată a lui Z va fi:
119.45 Kg (Minima)
Za 0.6441 70 5.1858 4.5 0.55 119.95 Kg (Media)
120.50 Kg (Maxima)
La o lungime a carcasei de 70 cm şi la o grosime a stratului de grăsime de 4.5 cm, ne aşteptăm
ca greutatea în viu a tuturor porcilor din care provin cei 10, să fie cuprinsă între 119.45 Kg şi
120.50 Kg cu o încredere de 95%. Există semiriscul 2.5% ca această greutate să fie mai mică
de 119.45 Kg atunci când cei 10 porci ai sondajului au fost aleşi cei mai performanţi ca
greutate.
În mod simetric, există semiriscul 2.5% ca această greutate să fie mai mare ca 120.50 Kg
atunci când cei 10 porci ai sondajului au fost aleşi cel mai puţin performanţi ca greutate.
În tabelul de mai jos se găsesc valorile xi, yi, valorile aşteptate zi, valorile aşteptate zai şi
diferenţele zi = zi – zai:
xi yi zi zai zi
62 3.8 110 111.173 -1.173
61 3.3 109 107.936 1.064
62 4 112 112.210 -0.210
63 4.1 114 113.373 0.627
66 4.4 118 116.861 1.139
60 3 106 105.736 0.264
62 3.9 111 111.692 -0.692
63 4 112 112.854 -0.854
62 3.7 110 110.655 -0.655
64 4.2 115 114.536 0.464
258
Fie X(1), X(2),...,X(m),Y notaţiile pentru m+1 caractere ale exemplarelor unei populaţii.
Efectuăm un sondaj de n ansambluri de valori (x1i,x2i,...,xmi,yi) ; (i=1,…,n).
Din aceste date calculăm următorii indicatori statistici de sondaj:
1 n 1 n
a)
Vectorul mediilor: X 1 ,..., X m ;Y unde X i = xij ; Y = yi
n i =1
n i =1
b) Matricea simetrică de covarianţă de ordin m+1:
2 2
1 n 1 n
unde varianţele sunt: S2X i = ij i Y n-1
n-1 j 1
x X ;
S2
=
i 1
yi Y iar covarianţele sunt:
1 n 1 n
S2X i X j =
xik X i
n -1 k 1
x jk X j ; S2X iY =
xij X i
n-1 j 1
y j Y
c) Matricea simetrică de corelaţie liniară de ordin m+1:
n
2 x1 j ( y j B0 B1 x1 j ... Bm xmj ) 0
j 1
................................................................
n
2 xmj ( y j B0 B1 x1 j ... Bm xmj ) 0
j 1
n
2 ( y j B0 B1 x1 j ... Bm xmj ) 0
j 1
259
sau:
n 2 n n n
1 1j
B x ... B m 1 j mj
x x B 0 1j x x1 j y j
j 1 j 1 j 1 j 1
................................................................................
n n n n
2 (6)
B
1 j 1
x x
mj 1 j ... B m
j 1
x mj B 0
j 1
x mj j 1
xmj y j
n n n
1 1j
B x ... B m mj x n B 0 yj
j 1 j 1 j 1
Acesta este sistemul de m+1 ecuaţii normale al regresiei liniare multiple cu m+1 necunoscute
B0, B1,…,Bm.
Fie matricea cu n linii şi m+1 coloane:
B1
x11 x21 ...... xm1 1
X= ...... ...... ...... ...... ...... şi fie vectorul-coloană al necunoscutelor B
Bm
x1n x2 n ...... xmn 1
B0
y1
respectiv vectorul-coloană al termenilor liberi Y
y
n
1 n 1 n 1 n
B1 1j
n j 1
x ... B m mj 0 n
n j 1
x B
j 1
yj (9)
n
Ecuaţia (9) se înmulţeste cu x
j 1
1j în ambii membri şi rezultatul se scade din prima ecuaţie a
n
sistemului (6) ,obţinând prima ecuaţie a sistemului (8),….., ecuaţia (9) se înmulţeşte cu x
j 1
mj
260
în ambii membri şi rezultatul se scade din a m-a ecuaţie a sistemului (6), obţinând a m-a ecuaţie
a sistemului (8).
În cazul regresiei fără termen liber (B0=0) sistemul de ecuaţii normale are forma:
n n n
2
1 1j
B x ... B m 1 j mj
x x x1 j y j
j 1 j 1 j 1
.............................................................. (10)
n n n
2
B1 xmj x1 j ... Bm xmj xmj y j
j 1 j 1 j 1
n 1 1 RY2 X ,..., X
1 m
S
Y t ; (n m 1) GL (11)
2 n n m 1 2
RY2 X i ,..., X i k
F i1 ,...,ik 2
1 k
: cu k ; n k 1 GL (14)
1 R Y X i1 ,..., X ik n k 1
(k = 1,2,…,m).
Conform relaţiei (5) din demonstraţia teoremei (11.2), definim coeficientul de corelaţie
liniară multiplu parţial între Y şi X i1 ,..., X ik când restul de caractere X j1 ,..., X jm k sunt
constanţi:
SPAY X1 ,..., X m 1 RY2 X1 ,..., X m
RYX i ,..., X i X j1 ,..., X jm k 1 1 (15)
1 k
SPAY X j ,..., X j 1 RY2 X j ,..., X j
1 mk 1 mk
2
RYX i ,..., X i X j1 ,..., X jm k k
1 k
Fi1 ,...,ik 2
:
1 R YX i1 ,..., X ik X j1 ,..., X jm k n m 1 ; (k = 1,2,…,m) (16)
cu k ; n m 1 GL
b)Aporturile parţiale ale variaţiei factorilor X i1 ,..., X ik şi interacţiunilor lor când restul
factorilor X j1 ,..., X jm k sunt constanţi, la variaţia lui Y ,vor fi date de relaţiile:
A X i ... X i A X ,..., X
1 k
j1 jm k
A X , X ,..., X ... A X , X ,..., X
i1 j1 jm k ik j1 jm k
(18)
A X , X , X ,..., X ... A X , X X ,..., X
i1 i2 j1 jm k ik 1 ik j1 jm k
k 1
... 1 A X ,..., X
1 m
În membrul drept al acestei relaţii, în prima paranteză pătrată avem C 0k 1 , aporturi totale cu
m-k factori, în a doua paranteză pătrată avem C1k aporturi totale cu m-k+1 factori, în a treia
paranteză pătrată avem Ck2 aporturi totale cu m-k+2 factori, etc., în ultima paranteză pătrată
avem C kk 1 aporturi totale cu m factori. În total în membrul drept al relaţiei (18) avem în cele
k+1 paranteze pătrate, un număr de 2k aporturi totale.
Mai departe avem:
adică:
A X 1... X m A X 1 ... A X m
A X1 , X 2 ... A X m 1 , X m
A X1 , X 2 , X 3 ... A X m 2 , X m 1 , X m (19)
... (1) m A X1 ,..., X m 1 A X 2 ,..., X m
m 1
(1) A
X1 ,..., X m
263
Pe baza relaţiilor (18) şi (19) calculăm 2m-1 aporturi parţiale în care se descompune
A X1 ,..., X m :
C1m aporturi parţiale, ale câte unui factor (k=1)cu relaţia (18):
A X1 ,..., A X m
C 2m aporturi parţiale ale interacţiunilor a câte 2 factori (k=2) cu relaţia (18):
A X1 X 2 ,..., A X m 1 X m
................................
C km aporturi parţiale ale interacţiunilor a câte k factori, cu relaţia (18):
A X1... X k ,..., A X m k 1 ... X m
.......................................
C mm 1 aporturi parţiale ale interacţiunii celor m factori, cu relaţia (19):
A X1... X m
Cel de al 2m-lea aport este :
A E 1- A X1 ,..., X m
În final se întocmeşte diagrama aporturilor parţiale ale variaţiei factorilor X 1 ,..., X m şi a
interacţiunilor lor câte 2,3,…,m , la variaţia lui Y presupusă a fi egală cu 100%.
Exemplu:
x1 210 215 200 220 218 225 230 226 206 220
x2 2080 2100 2000 2150 2120 2210 2300 2230 2050 2160
x3 315 320 300 340 325 370 400 380 310 350
y 42 44 40 50 46 55 60 58 41 52
Se calculează:
1) Vectorul mediilor:
- bifactoriali:
TX1 X 2Y
RY X1 X 2 1 unde:
TX 1X 2
1 0.9735 0.9443
TX1 X 2Y 0.9735 1 0.9748 0.002581
0.9443 0.9748 1
0 0.9735
TX1 X 2 0.052298
0.9735 1
Rezultă RY.X1X2 =0.975012
Analog
- trifactorial:
TX 1X 2 X 3Y
RY X1 X 2 X 3 1
TX1 X 2 X 3
- monofactoriali:
Valorile critice R pentru 8 GL din tabela 10 din Anexă,sunt 0.632; 0.765; 0.872 deci cei trei
2
coeficienţi sunt foarte semnificativi.
- bifactoriali:
RY X1 X 2 0.971; R Y X1 X 3 0.992; R Y X 2 X3 0.894
RX2 i X j 2
F X , X 2
: cu 2; n-3 GL dă:
i j
1 RX i X j n 3
F X1 , X 2 57.733; F X1 , X 3 217.697; F X 2 , X 3 13.933 cu 2; 7 GL
Din tabelele 4,5,6 din Anexă, avem valorile critice F cu [2; 7] GL:
F0.05 = 19.35; F0.01 = 99.35; F0.0005 = 999.35 deci:
- trifactoriali:
RY2 X1 X 2 X 3 3
RY X1 X 2 X 3 0.977; F X1 , X 2 , X 3 2
: 333.834
1 R Y X1 X 2 X 3 n4
Din tabelele 4,5,6 din Anexă, avem valorile critice Fα cu [3; 6] GL:
F0.05 = 8.94; F0.01 = 27.91;F0.001 = 132.8 deci:
RY X1 X 2 X 3 0.997***
- monofactoriali:
1 RY2 X1 X 2 X 3
RYX 1 X 2 X 3 1 0.985 .
1 RY2 X 2 X 3
În mod analog RYX 2 X1 X 3 0.791 şi R YX 3 X1 X 2 0.946 toţi cu n-4=6 GL.
Din tabela 10 din Anexă, avem valorile critice R pentru 6 GL: R0.025 = 0.707; R0.005 =
2
- bifactoriali:
266
1 RY2 X1 X 2 X 3
RYX 1X 2 X 3 1 2
0.837
1 RYX 3
2
RYX k Xi X j 2
FX i . X j 2
: cu 2; n-4 GL
1 R YX k X i X j n4
Din tabelele 4,5,6 din Anexă, avem valorile critice Fα cu [2; 6] GL: F0.05 = 19.33; F0.01 = 99.30;
F0.001 = 999.30
Rezultă :
FX1.X2 =7.02 ; FX1.X3 =21.58 ;FX2.X3 =51.33 cu (2;6) GL deci :
RYX 1 X 2 X 3 0.837; R YX 2 X1 X 3 0.937* şi R YX 3 X1 X 2 0.972*
- bifactoriale :
A X 1 . X 2 A X 3 A X1 , X 3 A X 2 , X 3 A X1 , X 2 , X 3
0.011089 1.1%;
A X 1 . X 3 A X 2 A X1 , X 2 A X 3 , X 2 A X1 , X 2 , X 3
0.014466 1.4%;
A X 2 . X 3 A X 1 A X 2 , X1 A X 3 , X1 A X 1 , X 2 , X 3
0.047838 4.8%
- trifactorial:
A X 1 . X 2 . X 3 A X1 , X 2 , X 3 A X 1 A X 2 A X 3 A X1 , X 2 A X1 , X 3 A X 2 , X 3
0.892426 89.3%
Aportul erorii:
A E 1 A( X1 , X 2 , X 3 ) 0.00539798 0.5%
267
n n
2
n n
1 2 j 1j
B x x B 2 2j x B3 2j 3j
x x x2 j y j
j 1 j 1 j 1 j 1
n n n n
B1 x3 j x1 j B2 x3 j x2 j B3 x32 j x3 j y j
j 1 j 1 j 1 j 1
adică:
471686B1+4651190B2+742590B3=106477
4651190B1+45868400B2+7323800B3=1050040
742590B1+7323800B2+1172750B3=168560
0.4258 g creştere greutate boabe
de unde: B1
1 cm creştere talie
când suprafaţa foliară şi numărul de boabe pe plantă sunt constante.
0.0644 g creştere greutate boabe
B2
1 cm 2 creştere suprafaţă foliară
când talia şi numărul de boabe pe plantă sunt constante.
0.2761 g creştere greutate boabe
B3
1 bob creştere nr. boabe pe plantă
când talia şi suprafaţa foliară sunt constante.
n 1 1 RY2 X X X
1 2 3
SY t ; (n 4) GL
2 n n 3 2
Prognoză:
Pentru X 1 235 cm; X 2 2350 cm 2 ; X3 420 boabe avem greutatea aşteptată a boabelor pe
plantă:
268
64.20 g Minima
Ya 0.4258 235 0.0644 2350 0.2761 420 0.49 64.69 g Media
65.18 g Maxima
În tabelul de mai jos, se găsesc valorile x1i ,x2i,x3i ,valorile observate yi
valorile aşteptate yai şi diferenţele : Δyi = yi - yai :
Fie X1 ,…,Xm m caractere cantitative fiecare din ele cu n valori de sondaj care
formează matricea de date cu m linii şi n coloane:
x11 x1n
X=
x
m1 xmn
Pe prima linie sunt datele de sondaj relative la X1, etc., pe ultima linie sunt datele de sondaj
relative la Xm. Fie:
1 n
X i xij mediile de sondaj ; 1 i m
n j 1
2
1 n
2
S
i
xij X i
n 1 j 1
varianţele de sondaj ; 1 i m
1 n
Sij2
xik X i x jk X j covarianţele de sondaj
n 1 k 1
Sij
şi Rij coeficienţii de corelaţie liniară de sondaj( i,j =1,…,m).
Si S j
Fie matricea de corelaţie liniară de ordin m notată T Rij
1 i , j m
Xi Xi
şi U1 ,..., U m caracterele cantitative reduse date de relaţiile U i deci
Si
U i 0, SU2 i = 1 şi R U iU j RX i X j
Valorile de sondaj reduse dau matricea de ordin m de forma:
269
u11 u1n
U=
u
m1 umn
v11 v1n
V= este dată de relaţia: V=C T U
v
m1 vmn
1 n
Vi vij 0 .
n j 1
m
În adevăr, vij C ki ukj deci:
k 1
n
1 1 n m n
1 n n
Vi
n j 1
vij cki ukj cki ukj c jU k 0
n j 1 k 1 k 1 n j 1 k 1
1 n 2
SV2i vij i
n j 1
2
1 n 2 1 n 1 n m
n j 1
2
În adevăr, S vij Vi
Vi vij2 cki ukj i
n j 1 n j 1 k 1
m m
căci cki2 1 şi
k 1
c
k 1
c 0 (C este ortogonală).
ki kj
1 n 1 n
SViV j
n h1
vih Vi v jh V j vih v jh
n h1
1 n m m
n h1 k 1
cki ukh ckj u kh 0
k 1
m
căci c
k 1
c 0 (C este matrice ortogonală).
ki kj
SU iV j cij j .
În adevăr,
1 n 1 n 1 n m
SU iV j uih U i
n h 1
v jh Vj ih jh n
n h 1
u v
h 1
u ih ckj ukh )
(
k 1
1 m n
ckj uih ukh cij j
n k 1 h 1
SU iV j cij j
În adevăr, RU iV j = =cij j .
SU i SV j 1 j
Putem renunţa la ultimele m-k valori propii dacă acestea sunt foarte mici faţă de restul
valorilor proprii deci matricea F pierde ultimele m-k coloane şi devine matricea de structură
F0 cu m linii şi k coloane.
Exemplu:
Sondaj de n = 10 porci Landrace la livrare;
X1 = înălţime la greabăn (cm);
X2 = lungime carcasă (cm);
X3 = greutate carcasă (kg);
X4 = grosime slănină la greabăn (cm);
271
Matricea datelor de sondaj cu m=5 linii (caractere) şi n=10 coloane (repetiţii) este:
Repetiţii→ 1 2 3 4 5 6 7 8 9 10
Caractere↓
x1 42 45 40 48 50 46 47 49 41 48
x2 56 59 55 61 65 59 60 64 56 63
x3 72 75 70 78 80 76 76 80 72 79
x4 3.6 3.7 3.5 3.7 4 3.7 3.8 3.9 3.5 3.8
x5 113 115 110 117 120 115 116 119 111 118
Soluţie:
Se calculează:
Vectorul mediilor:
Matricea ortogonală C care are pe coloane vectorii propii ai matricii simetriceT, este:
Putem renunţa la ultimele 4 valori propii 2 , 3 , 4 şi 5 mult mai mici ca 1 deci matricea F
pierde ultimele 4 coloane şi devine matricea de structură F0 cu 5 linii şi o coloană:
Derivatele parţiale ale acestei variaţii reziduale în raport cu B1,B2,…,Bd trebuie să fie nule:
SPAY X1 ,..., X m SPAY X1 ,..., X m SPAY X1 ,..., X m
0, 0,..., 0,
B1 B2 Bd
Am obţinut sistemul de ecuaţii normale care este neliniar şi care furnizează pe B1,B2,…,Bd.
Raportul de corelaţie neliniară multiplă se calculează cu formula:
SPAY X1 ,..., X m
Rc 1
SPAY
Testarea acestui raport se face cu variabila Fisher:
2
Rc d 1
F 2
: cu d -1; n d GL
1 Rc nd
În unele cazuri corelaţia şi regresia neliniară multiplă se poate reduce la cea liniară
multiplă prin schimbări de variabile de forma:
X 1 1 U1 ,..., X m m U m ; Y V
deci funcţia de regresie neliniară multiplă
Y f X 1 , X 2 ,..., X m devine V 0 1U1 ... mU m
adică funcţia de regresie liniară multiplă.
Exemplu:
Fie X=cheltuielile materiale pentru cultura porumbului (milioane lei/ha);
Y=cheltuielile cu forţa de muncă pentru cultura porumbului (milioane lei/ha); Z=venitul din
cultura porumbului (milioane lei/ha).
Funcţia de regresie Douglas-Cobb de forma Z A 0 X B1 Y B2 devine prin logaritmare:
lnZ ln A0 +B1 ln X B2 ln Y adică: W=B0 +B1U+B2V
Date de sondaj pe n=10 ani (preţuri comparabile):
xi 3 3.2 2.9 3.3 3.3 3.5 3.6 4 4.2 4.2
yi 0.5 0.6 0.5 0.6 0.7 0.9 1 1.2 1.2 1.4
zi 9 10 8 11 11 12 13 14 15 15
ln xi 1.099 1.163 1.065 1.194 1.194 1.253 1.281 1.386 1.435 1.435
=ui
ln yi -0.693 -0.511 -0.693 -0.511 -0.357 -0.105 0 0.182 0.182 0.336
=vi
ln zi 2.197 2.303 2.079 2.398 2.398 2.485 2.565 2.639 2.708 2.708
=wi
2) Matricea de covarianţă:
SU2 0.0177; SUV 0.0498; SUW 0.0278
S SVU 0.0498; SV2 0.1478; SVW 0.0792
S 0.0278; S 0.0792; SW2 0.0457
WU WV
m
n 3 m m n m n
i 1
B3 i il hl kl
l 1
x x x
i 1 j 1
B2 ij il jl hl kl
l 1
x x x x B1i xil xhl xkl
i 1 l 1
n n
B0 x hl x kl xhl x kl yl unde 1 h; k m ;
l 1 l 1
m n
3 m m n m n
B x
i 1
3i
l 1
il xhl B2ij xil x jl xhl B1i xil xhl
i 1 j 1 l 1 i 1 l 1
n n
B0 xhl xhl yl unde 1 h m
l 1 l 1
m n
3 m m n m n
B x
i 1
3i
l 1
il B2ij xil x jl B1i xil
i 1 j 1 l 1 i 1 l 1
n
n B0 yl
l 1
m m 1 m m 1
Din cele d=(m+1)2 necunoscute numai d sunt diferite iar restul de sunt
2 2
egale între ele, datorită simetriei B2 ij B2 ji ; 1 i; j m .
Exemplu:
x1i x2i yi
0 0 3
5 10 4
5 15 4.8
5 20 6.3
10 10 5.8
10 15 6.7
10 20 7.4
15 10 8.5
15 15 9.2
15 20 9.4
20 10 9.7
20 15 9.9
20 20 10
Pentru prelucrarea datelor vom folosi programul REGCUB, calculul manual fiind
extrem de laborios.
Rezultate:
1) Vectorul mediilor:
277
3) Tabelul cu valorile x1i, x2i, valorile observate yi, valorile aşteptate yai şi diferenţele Δyi
este:
x1i x2i yi Yai ΔyI
0 0 3 3 0
5 10 4 3.89 0.11
5 15 4.8 5.04 -0.24
5 20 6.3 6.97 0.13
10 10 5.8 5.82 -0.02
10 15 6.7 6.64 0.06
10 20 7.4 7.43 -0.03
15 10 8.5 8.56 -0.06
15 15 9.2 9.04 0.16
15 20 9.4 9.50 -0.10
20 10 9.7 9.73 -0.03
20 15 9.9 9.88 0.02
20 20 10 10.00 0
11.5 Rezumat
În acest capitol se prezintă corelaţia şi regresia multiplă :liniară,liniarizabilă şi neliniară.
Se calculează aporturile factorilor şi analiza componentelor principale pentru corelaţia liniară
multiplă.
11.6 Întrebări
1.Ce sunt coeficienţii de corelaţie liniară multipli totali şi cum se testează ei ?
2. Ce sunt coeficienţii de corelaţie liniară multipli parţiali şi cum se testează ei ?
3. Ce sunt coeficienţii de regresie liniară multiplă ?
4. Prin ce se deosebesc rapoartele de corelaţie neliniară multiple de coeficienţii de
corelaţie liniară multipli ?
11.7 Bibliografie
0.0 0.50000 0.50399 0.50798 0.51197 0.51595 0.51994 0.52392 0.52790 0.53188 0.53586
0.1 0.53983 0.54379 0.54776 0.55172 0.55567 0.55962 0.56356 0.56749 0.57142 0.57534
0.2 0.57926 0.58317 0.58706 0.59095 0.59483 0.59871 O.60257 0.60642 0.61026 0.61409
0.3 0.61791 0.62172 0.62551 0.62930 0.63307 0.63683 0.64058 0.64431 0.64803 0.65173
0.4 0.65542 0.65910 0.66276 0.66640 0.67003 0.67364 0.67724 0.68082 0.64838 0.68793
0.5 0.69146 0.69497 0.69847 0.70194 0.70540 0.70884 0.71226 0.71566 0.71904 0.72240
0.6 0.72575 0.72907 0.73237 0.73565 0.73891 0.74215 0.74537 0.74857 0.75175 0.75490
0.7 0.75803 0.76115 0.76424 0.76730 0.77035 0.77337 0.77637 0.77935 0.78230 0.78523
0.8 0.78814 0.79103 0.79389 0.79673 0.79954 0.80234 0.80510 0.80785 0.81057 0.81327
0.9 0.81594 0.81859 0.82121 0.82381 0.82639 0.82894 0.83147 0.83397 0.83646 0.83891
1.0 0.84134 0.84375 0.84613 0.84849 0.85083 0.85314 0.85543 0.85769 0.85993 0.86214
1.1 0.86433 0.86650 0.86864 0.87076 0.87285 0.87493 0.87697 0.87900 0.88100 0.88297
1.2 0.88493 0.88686 0.88877 0.89065 0.89251 0.89435 0.89616 0.89796 0.89973 0.90147
1.3 0.90320 0.90490 0.90658 0.90824 0.90988 0.91149 0.91308 0.91465 0.91621 0.91773
1.4 0.91924 0.92073 0.92219 0.92364 0.92506 0.92647 0.92785 0.92922 0.93056 0.93189
1.5 0.93319 0.93448 0.93574 0.93699 0.93822 0.93943 0.94062 0.94179 0.94295 0.94408
1.6 0.94520 0.94630 0.94738 0.94845 0.94950 0.95053 0.95154 0.95254 0.95352 0.95448
1.7 0.95543 0.95637 0.95728 0.95818 0.95907 0.95994 0.96080 0.96164 0.96246 0.96327
1.8 0.96407 0.96485 0.96562 0.96637 0.96711 0.96784 0.96856 0.96926 0.96995 0.97062
1.9 0.97128 0.97193 0.97257 0.97320 0.97381 0.97441 0.97500 0.97558 0.97615 0.97670
2.0 0.97725 0.97778 0.97831 0.97882 0.97932 0.97982 0.98030 0.98077 0.98124 0.98169
2.1 0.98214 0.98257 0.98300 0.98341 0.98382 0.98422 0.98461 0.98500 0.98537 0.98574
2.2 0.98610 0.98645 0.98679 0.98713 0.98745 0.98778 0.98809 0.98840 0.98870 0.98899
2.3 0.98928 0.98956 0.98983 0.99010 0.99036 0.99061 0.99086 0.99111 0.99134 0.99158
2.4 0.99180 0.99202 0.99224 0.99245 0.99266 0.99286 0.99305 0.99324 0.99343 0.99361
2.5 0.99379 0.99396 0.99413 0.99430 0.99446 0.99461 0.99477 0.99492 0.99506 0.99520
2.6 0.99534 0.99547 0.99560 0.99573 0.99585 0.99598 0.99609 0.99621 0.99632 0.99643
2.7 0.99653 0.99664 0.99674 0.99683 0.99693 0.99702 0.99711 0.99720 0.99728 0.99736
2.9 0.99744 0.99752 0.99760 0.99767 0.99774 0.99781 0.99788 0.99795 0.99801 0.99807
2.9 0.99813 0.99819 0.99825 0.99831 0.99836 0.99841 0.99846 0.99851 0.99856 0.99861
3.0 0.99865 0.99869 0.99874 0.99878 0.99882 0.99886 0.99889 0.99893 0.99897 0.99900
3.1 0.99903 0.99906 0.99910 0.99913 0.99916 0.99918 0.99921 0.99924 0.99926 0.99929
3.2 0.99931 0.99934 0.99936 0.99938 0.99940 0.99942 0.99944 0.99946 0.99948 0.99950
3.3 0.99952 0.99953 0.99955 0.99957 0.99958 0.99960 0.99961 0.99962 0.99964 0.99965
3.4 0.99966 0.99968 0.99969 0.99970 0.99971 0.99972 0.99973 0.99974 0.99975 0.99976
3.5 0.99977 0.99978 0.99978 0.99979 0.99980 0.99981 0.99981 0.99982 0.99983 0.99983
3.6 0.99984 0.99985 0.99985 0.99986 0.99986 0.99987 0.99987 0.99988 0.99988 0.99989
3.7 0.99989 0.99990 0.99990 0.99990 0.99991 0.99991 0.99992 0.99992 0.99992 0.99992
3.8 0.99993 0.99993 0.99993 0.99994 0.99994 0.99994 0.99994 0.99995 0.99995 0.99995
3.9 0.99995 0.99995 0.99996 0.99996 0.99996 0.99996 0.99996 0.99996 0.99997 0.99997
284
284
TABEL 2 Valorile Student t/2 si t : P(| t | > t/2 ) = P(t > t) =
GL↓ → 0.40 0.25 0.10 0.05 0.025 0.01 0.005 0.0025 0.001 0.0005
1 0.325 1.000 3.078 6.314 12.706 31.821 63.657 127.32 318.31 636.62
2 0.289 0.816 1.886 2.920 4.303 6.965 9.925 14.089 23.326 31.598
3 0.277 0.765 1.638 2.353 3.182 4.541 5.841 7.453 10.213 12.924
4 0.271 0.741 1.533 2.132 2.776 3.747 4.604 5.598 7.173 8.610
5 0.267 0.727 1.476 2.015 2.571 3.365 4.032 4.773 5.893 6.869
6 0.265 0.718 1.440 1.943 2.447 3.143 3.707 4.317 5.208 5.959
7 0.263 0.711 1.415 1.895 2.365 2.998 3.499 4.029 4.785 5.408
8 0.262 0.706 1.397 1.860 2.306 2.896 3.355 3.833 4.501 5.041
9 0.261 0.703 1.383 1.833 2.262 2.821 3.250 3.690 4.297 4.781
10 0.260 0.700 1.372 1.812 2.228 2.764 3.169 3.581 4.144 4.587
11 0.260 0.697 1.363 1.796 2.201 2.718 3.106 3.497 4.025 4.437
12 0.259 0.695 1.356 1.782 2.179 2.681 3.055 3.428 3.930 4.318
13 0.259 0.694 1.350 1.771 2.160 2.650 3.012 3.372 3.852 4.221
14 0.258 0.692 1.345 1.761 2.145 2.624 2.977 3.326 3.787 4.140
15 0.258 0.691 1.341 1.753 2.131 2.602 2.947 3.286 3.733 4.073
16 0.258 0.690 1.337 1.746 2.120 2.583 2.921 3.252 3.686 4.015
17 0.257 0.689 1.333 1.740 2.110 2.567 2.898 3.222 3.646 3.965
18 0.257 0.688 1.330 1.734 2.101 2.552 2.878 3.197 3.610 3.922
19 0.257 0.688 1.328 1.729 2.093 2.539 2.861 3.174 3.579 3.883
20 0.257 0.687 1.325 1.725 2.086 2.528 2.845 3.153 3.552 3.850
21 0.257 0.686 1.323 1.721 2.080 2.518 2.831 3.135 3.527 3.819
22 0.256 0.686 1.321 1.717 2.074 2.508 2.819 3.119 3.505 3.792
23 0.256 0.685 1.319 1.714 2.069 2.500 2.807 3.104 3.485 3.767
24 0.256 0.685 1.318 1.711 2.064 2.492 2.797 3.091 3.467 3.745
25 0.256 0.684 1.316 1.708 2.060 2.485 2.787 3.078 3.450 3.725
26 0.256 0.684 1.315 1.706 2.056 2.479 2.779 3.067 3.435 3.707
27 0.256 0.684 1.314 1.703 2.052 2.473 2.771 3.057 3.421 3.690
28 0.256 0.683 1.313 1.701 2.048 2.467 2.763 3.047 3.408 3.674
29 0.256 0.683 1.311 1.699 2.045 2.462 2.756 3.038 3.396 3.659
30 0.256 0.683 1.310 1.697 2.042 2.457 2.750 3.030 3.385 3.646
40 0.255 0.681 1.303 1.684 2.021 2.423 2.704 2.971 3.307 3.551
50 0.255 0.679 1.299 1.676 2.009 2.403 2.678 2.937 3.261 3.496
60 0.254 0.679 1.296 1.671 2.000 2.390 2.660 2.915 3.232 3.460
70 0.254 0.678 1.294 1.667 1.994 2.381 2.648 2.899 3.211 3.435
80 0.254 0.678 1.292 1.664 1.990 2.374 2.639 2.887 3.195 3.416
90 0.254 0.677 1.291 1.662 1.987 2.368 2.632 2.878 3.183 3.402
100 0.254 0.677 1.290 1.660 1.984 2.364 2.626 2.871 3.174 3.390
0.253 0.674 1.282 1.645 1.960 2.326 2.576 2.807 3.090 3.291
285
GL↓ → 0.9995 0.995 0.975 0.05 0.025 0.01 0.005 0.001 0.0005
GL↓ → 0.9995 0.995 0.975 0.05 0.025 0.01 0.005 0.001 0.0005
100 59.90 67.33 74.22 124.34 129.56 135.81 140.17 149.45 153.17
TABEL 4 Valorile Fisher ( F0.05 ) : P ( F > F0.05 ) = 0.05
GL 1→ 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120
GL 2 ↓
1 161.4 199.5 215.7 224.6 230.2 234.0 236.8 238.9 240.5 241.9 243.9 245.9 248.0 249.1 250.1 251.1 252.2 253.3 254.3
2 18.51 19.00 19.16 19.25 19.30 19.33 19.35 19.37 19.38 19.40 19.41 19.43 19.45 19.45 19.46 19.47 19.48 19.49 19.50
3 10.13 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81 8.79 8.74 8.70 8.66 8.64 8.62 8.59 8.57 8.55 8.53
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96 5.91 5.86 5.80 5.77 5.75 5.72 5.69 5.66 5.63
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77 4.74 4.68 4.62 4.56 4.53 4.50 4.46 4.43 4.40 4.36
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06 4.00 3.94 3.87 3.84 3.81 3.77 3.74 3.70 3.67
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64 3.57 3.51 3.44 3.41 3.38 3.34 3.30 3.27 3.23
8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.35 3.28 3.22 3.15 3.12 3.08 3.04 3.01 2.97 2.93
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14 3.07 3.01 2.94 2.90 2.86 2.83 2.79 2.75 2.71
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98 2.91 2.85 2.77 2.74 2.70 2.66 2.62 2.58 2.54
11 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.85 2.79 2.72 2.65 2.61 2.57 2.53 2.49 2.45 2.40
12 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80 2.75 2.69 2.62 2.54 2.51 2.47 2.43 2.38 2.34 2.30
13 4.67 3.81 3.41 3.18 3.83 2.92 2.83 2.77 2.71 2.67 2.60 2.53 2.46 2.42 2.38 2.34 2.30 2.25 2.21
14 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65 2.60 2.53 2.46 2.39 2.35 2.31 2.27 2.22 2.18 2.13
15 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59 2.54 2.48 2.40 2.33 2.29 2.25 2.20 2.16 2.11 2.07
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49 2.42 2.35 2.28 2.24 2.19 2.15 2.11 2.06 2.01
17 4.45 3.59 3.20 2.96 2.81 2.70 2.61 2.55 2.49 2.45 2.38 2.31 2.23 2.19 2.15 2.10 2.06 2.01 1.96
18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41 2.34 2.27 2.19 2.15 2.11 2.06 2.02 1.97 1.92
19 4.38 3.52 3.13 2.90 2.74 2.63 2.54 2.48 2.42 2.38 2.31 2.23 2.16 2.11 2.07 2.03 1.98 1.93 1.88
20 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39 2.35 2.28 2.20 2.12 2.08 2.04 1.99 1.95 1.90 1.84
21 4.32 3.47 3.07 2.84 2.68 2.57 2.49 2.42 2.37 2.32 2.25 2.18 2.10 2.05 2.01 1.96 1.92 1.87 1.81
22 4.30 3.44 3.05 2.82 2.66 2.55 2.46 2.40 2.34 2.30 2.23 2.15 2.07 2.03 1.98 1.94 1.89 1.84 1.78
23 4.28 3.42 3.03 2.80 2.64 2.53 2.44 2.37 2.32 2.27 2.20 2.13 2.05 2.01 1.96 1.91 1.86 1.81 1.76
24 4.26 3.40 3.01 2.78 2.62 2.51 2.42 2.36 2.30 2.25 2.18 2.11 2.03 1.98 1.94 1.89 1.84 1.79 1.73
25 4.24 3.39 2.99 2.76 2.60 2.49 2.40 2.34 2.28 2.24 2.16 2.09 2.01 1.96 1.92 1.87 1.82 1.77 1.71
26 4.23 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27 2.22 2.15 2.07 1.99 1.95 1.90 1.85 1.80 1.75 1.69
27 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.31 2.25 2.20 2.13 2.06 1.97 1.93 1.88 1.84 1.79 1.73 1.67
28 4.20 3.34 2.95 2.71 2.56 2.45 2.36 2.29 2.24 2.19 2.12 2.04 1.96 1.91 1.87 1.82 1.77 1.71 1.65
29 4.18 3.33 2.93 2.70 2.55 2.43 2.35 2.28 2.22 2.18 2.10 2.03 1.94 1.90 1.85 1.81 1.75 1.70 1.64
30 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.16 2.09 2.01 1.93 1.89 1.84 1.79 1.74 1.68 1.62
40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.08 2.00 1.92 1.84 1.79 1.74 1.69 1.64 1.58 1.51
60 4.00 4.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04 1.99 1.92 1.84 1.75 1.70 1.65 1.59 1.53 1.47 1.39
120 3.93 3.07 2.29 2.45 2.29 2.17 2.09 2.02 1.96 1.91 1.83 1.75 1.66 1.61 1.55 1.50 1.43 1.35 1.25
3.84 3.00 2.60 2.37 2.21 2.10 2.01 1.94 1.88 1.83 1.75 1.67 1.57 1.52 1.46 1.39 1.32 1.22 1.00
287
TABEL 5 Valorile Fisher ( F0.01 ) : P ( F > F0.01 ) = 0.01
GL 1 → 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120
GL 2 ↓
1 4052 4999 5403 5625 5764 5859 5928 5982 6022 6056 6106 6157 6209 6235 6261 6287 6313 6339 6366
2 98.50 99.00 99.17 99.25 99.30 99.33 99.36 99.37 99.39 99.40 99.42 99.43 99.45 99.46 99.47 99.47 99.48 99.49 99.50
3 34.12 30.82 29.46 28.71 28.24 27.91 27.67 27.49 27.35 27.23 27.05 26.87 26.69 26.60 26.50 26.41 26.32 26.22 26.13
4 21.20 18.00 16.69 15.98 15.52 15.21 14.98 14.80 14.66 14.55 14.37 14.20 14.02 13.93 13.84 13.75 13.65 13.56 13.46
5 16.26 13.27 12.06 11.39 10.97 10.67 10.46 10.29 10.16 10.05 9.89 9.72 9.55 9.47 9.38 9.29 9.20 9.11 9.02
6 13.75 10.92 9.78 9.15 8.75 8.47 8.26 8.10 7.98 7.87 7.72 7.56 7.40 7.31 7.23 7.14 7.06 6.97 6.88
7 12.25 9.55 8.45 7.85 7.46 7.19 6.99 6.84 6.72 6.62 6.47 6.31 6.16 6.07 5.99 5.91 5.82 5.74 5.65
8 11.26 8.65 7.59 7.01 6.63 6.37 6.18 6.03 5.91 5.81 5.67 5.52 5.36 5.28 5.20 5.12 5.03 4.95 4.46
9 10.56 8.02 6.99 6.42 6.06 5.80 5.61 5.47 5.35 5.26 5.11 4.96 4.81 4.73 4.65 4.57 4.48 4.40 4.31
10 10.04 7.56 6.55 5.99 5.64 5.39 5.20 5.06 4.94 4.85 4.71 4.56 4.41 4.33 4.25 4.17 4.08 4.00 3.91
11 9.65 7.21 6.22 5.67 5.32 5.07 4.89 4.74 4.63 4.54 4.40 4.25 4.10 4.02 3.94 3.86 3.78 3.69 3.60
12 9.33 6.93 5.95 5.41 5.06 4.82 4.64 4.50 4.39 4.30 4.16 4.01 3.86 3.78 3.70 3.62 3.54 3.45 3.36
13 9.07 6.70 5.74 5.21 4.86 4.62 4.44 4.30 4.19 4.10 3.96 3.82 3.66 3.59 3.51 3.43 3.34 3.25 3.17
14 8.86 6.51 5.56 5.04 4.69 4.46 4.28 4.14 4.03 3.94 3.80 3.66 3.51 3.43 3.35 3.27 3.18 3.09 3.00
15 8.68 6.36 5.42 4.89 4.36 4.32 4.14 4.00 3.89 3.80 3.67 3.52 3.37 3.29 3.21 3.13 3.05 2.96 2.87
16 8.53 6.23 5.29 4.77 4.44 4.20 4.03 3.89 3.78 3 .69 3.55 3.41 3.26 3.18 3.10 3.02 2.93 2.84 2.75
17 8.40 6.11 5.18 4.67 4.34 4.10 3.93 3.79 3.68 3.59 3.46 3.31 3.16 3.08 3.00 2.92 2.83 2.75 2.65
18 8.29 6.01 5.09 4.58 4.25 4.01 3.84 3.71 3.60 3.51 3.37 3.23 3.08 3.00 2.92 2.84 2.75 2.66 2.57
19 8.18 5.93 5.01 4.50 4.17 3.94 3.77 3.63 3.52 3.43 3.30 3.15 3.00 2.92 2.84 2.76 2.67 2.58 2.49
20 8.10 5.85 4.94 4.43 4.10 3.87 3.70 3.56 3.46 3.37 3.23 3.09 2.94 2.86 2.78 2.69 2.61 2.52 2.42
21 8.02 5.78 4.87 4.37 4.04 3.81 3.64 3.51 3.40 3.31 3.17 3.03 2.88 2.80 2.72 2.64 2.55 2.46 2.36
22 7.95 5.72 4.82 4.31 3.99 3.76 3.59 3.45 3.35 3.26 3.12 2.98 2.83 2.75 2.67 2.58 2.50 2.40 2.31
23 7.88 5.66 4.76 4.26 3.94 3.71 3.54 3.41 3.30 3.21 3.07 2.93 2.78 2.70 2.62 2.54 2.45 2.35 2.26
24 7.82 5.61 4.72 4.22 3.90 3.67 3.50 3.36 3.26 3.17 3.03 2.89 2.74 2.66 2.58 2.49 2.40 2.31 2.21
25 7.77 5.57 4.68 4.18 3.85 3.63 3.46 3.32 3.22 3.13 2.99 2.85 2.70 2.62 2.54 2.45 2.36 2.27 2.17
26 7.72 5.53 4.64 4.14 3.82 3.59 3.42 3.29 3.18 3.09 2.96 2.81 2.66 2.58 2.50 2.42 2.33 2.23 2.13
27 7.68 5.49 4.60 4.11 3.78 3.56 3.39 3.26 3.15 3.06 2.93 2.78 2.63 2.55 2.47 2.38 2.29 2.20 2.10
28 7.64 5.45 4.57 4.07 3.75 3.53 3.36 3.23 3.12 3.03 2.90 2.75 2.60 2.52 2.44 2.35 2.26 2.17 2.06
29 7.60 5.42 4.54 4.04 3.73 3.50 3.33 3.20 3.09 3.00 2.87 2.73 2.57 2.49 2.41 2.33 2.23 2.14 2.03
30 7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 3.07 2.98 2.84 2.70 2.55 2.47 2.39 2.30 2.21 2.11 2.01
40 7.31 5.18 4.31 3.83 3.51 3.29 3.12 2.99 2.89 2.80 2.66 2.52 2.37 2.29 2.20 2.11 2.02 1.92 1.80
60 7.08 4.98 4.13 3.65 3.34 3.12 3.95 2.82 2.72 2.63 2.50 2.35 2.20 2.12 2.03 1.94 1.84 1.73 1.60
120 6.85 4.79 3.95 3.48 3.17 2.96 2.79 2.66 2.56 2.47 2.34 2.19 2.03 1.95 1.86 1.76 1.66 1.53 1.38
6.63 4.61 378 3.32 3.02 2.80 2.64 2.51 2.41 2.32 2.18 2.04 1.88 1.79 1.70 1.59 1.47 1.32 1.00
288
TABEL 6 Valorile Fisher ( F0.001 ) : P ( F > F0.001 ) = 0.001
GL 1 → 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120
GL 2 ↓
1 40532 50002 54042 56252 57642 58592 59292 59812 60232 60562 61072 61582 62092 62352 62612 62872 63132 63402 63662
2 998.5 999.0 999.2 999.2 999.3 999.3 999.4 999.4 999.4 999.4 999.4 999.4 999.4 999.5 999.5 999.5 999.5 999.5 999.5
3 167.0 148.5 141.1 137.1 134.6 132.8 131.6 130.6 129.9 129.2 128.3 127.4 126.4 125.9 125.4 125.0 124.5 124.0 123.5
4 74.14 61.25 56.18 53.44 51.71 50.53 49.66 49.00 48.47 48.05 47.41 46.76 46.10 45.77 45.43 45.09 44.75 44.40 44.05
5 47.18 37.12 33.20 31.09 29.75 28.84 28.16 27.64 27.24 26.92 26.42 25.91 25.39 25.14 24.87 24.60 24.33 24.06 23.79
6 35.51 27.00 23.70 21.92 20.81 20.03 19.46 19.03 18.69 18.41 17.99 17.56 17.12 16.89 16.67 16.44 16.21 15.99 15.75
7 29.25 21.69 18.77 17.19 16.21 15.52 15.02 14.63 14.33 14.08 13.71 13.32 12.93 12.73 12.53 12.33 12.12 11.91 11.70
8 25.42 18.49 15.83 14.39 13.49 12.86 12.40 12.04 11.77 11.54 11.19 10.84 10.48 10.30 10.11 9.92 9.73 9.53 9.33
9 22.86 16.39 13.90 12.56 11.71 11.13 10.70 10.37 10.11 9.89 9.57 9.24 8.90 8.72 8.55 8.37 8.19 8.00 7.81
10 21.04 14.91 12.55 11.28 10.48 9.92 9.52 9.20 8.96 8.75 8.45 8.13 7.80 7.64 7.47 7.30 7.12 6.94 6.76
11 19.69 13.81 11.56 10.35 9.58 9.05 8.66 8.35 8.12 7.92 7.63 7.32 7.01 6.85 6.68 6.52 6.35 6.17 6.00
12 18.64 12.97 10.80 9.63 8.89 8.38 8.00 7.71 7.48 7.29 7.00 6.71 6.40 6.25 6.09 5.93 5.76 5.59 5.42
13 17.81 12.31 10.21 9.07 8.35 7.86 7.42 7.21 6.98 6.80 6.52 6.23 5.93 5.78 5.63 5.47 5.30 5.14 4.97
14 17.14 11.78 9.73 8.62 7.92 7.43 7.08 6.80 6.58 6.40 6.13 5.85 5.56 5.41 5.25 5.10 4.94 4.77 4.60
15 16.59 11.34 9.34 8.25 8.57 7.09 6.74 6.47 6.26 6.08 5.81 5.54 5.25 5.10 4.95 4.80 4.64 4.47 4.31
16 16.12 10.97 9.00 7.94 7.27 6.81 6.46 6.19 5.98 5.81 5.55 5.27 4.99 4.85 4.70 4.54 4.39 4.23 4.06
17 15.72 10.66 8.73 7.68 7.02 6.56 6.22 5.96 5.75 5.58 5.32 5.05 4.78 4.63 4.48 4.33 4.18 4.02 3.85
18 15.38 10.39 8.49 7.46 6.81 6.35 6.02 5.76 5.56 5.39 5.13 4.87 4.59 4.45 4.30 4.15 4.00 3.84 3.67
19 15.08 10.16 8.28 7.26 6.62 6.18 5.85 5.59 5.39 5.22 4.97 4.70 4.43 4.29 4.14 3.99 3.84 3.68 3.51
20 14.82 9.95 8.10 7.10 6.46 6.02 5.69 5.44 5.24 5.08 4.82 4.56 4.29 4.15 4.00 3.86 3.70 3.54 3.38
21 14.59 9.77 7.94 6.95 6.32 5.88 5.56 5.31 5.11 4.95 4.70 4.44 4.17 4.03 3.88 3.74 3.58 3.42 3.26
22 14.38 9.61 7.80 6.81 6.19 5.76 5.44 5.19 4.99 4.83 4.58 4.33 4.06 3.92 3.78 3.63 3.48 3.32 3.15
23 14.19 9.47 7.67 6.69 6.08 5.65 5.33 5.09 4.89 4.73 4.48 4.23 3.96 3.82 3.68 3.53 3.38 3.22 3.05
24 14.03 9.34 7.55 6.59 5.98 5.55 5.23 4.99 4.80 4.64 4.39 4.14 3.87 3.74 3.59 3.45 3.29 3.14 2.97
25 13.88 9.22 7.45 6.49 5.88 5.46 5.15 4.91 4.71 4.56 4.31 4.06 3.79 3.66 3.52 3.37 3.22 3.06 2.89
26 13.74 9.12 7.36 6.41 5.80 5.38 5.07 4.83 4.64 4.48 4.24 3.99 3.72 3.59 3.44 3.30 3.15 2.99 2.82
27 13.61 9.02 7.27 6.33 5.73 5.31 5.00 4.76 4.57 4.41 4.17 3.92 3.66 3.52 3.38 3.23 3.08 2.92 2.75
28 13.50 8.93 7.19 6.25 5.66 5.24 4.93 4.69 4.50 4.35 4.11 3.86 3.60 3.46 3.32 3.18 3.02 2.86 2.69
29 13.39 8.85 7.12 6.19 5.59 5.18 4.87 4.64 4.45 4.29 4.05 3.80 3.54 3.41 3.27 3.12 2.97 2.81 2.64
30 13.29 8.77 7.05 6.12 5.53 5.12 4.82 4.58 4.39 4.24 4.00 3.75 3.49 3.36 3.22 3.07 2.92 2.76 2.59
40 12.61 8.24 6.60 5.70 5.13 4.73 4.44 4.21 4.02 3.87 3.64 3.40 3.15 3.01 2.87 2.73 2.57 2.41 2.23
60 11.97 7.76 6.17 5.31 4.76 4.37 4.09 3.87 3.69 3.54 3.31 3.08 2.83 2.69 2.55 2.41 2.25 2.08 1.89
120 11.38 7.32 5.79 4.95 4.42 4.04 3.77 3.55 3.38 3.24 3.02 2.78 2.53 2.40 2.26 2.11 1.95 1.76 1.54
10.83 6.91 5.42 4.62 4.10 3.74 3.47 3.27 3.10 2.96 2.74 2.51 2.27 2.13 1.99 1.84 1.66 1.45 1.00
289
TABEL 7 Amplitudinea studentizată Tukey T(0.05)
c
m 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
GLE
5 3.64 4.60 5.22 5.67 6.03 6.33 6.58 6.80 6.99 7.17 7.32 7.47 7.60 7.72 7.83 7.93 8.03 8.12 8.21
6 3.46 4.34 4.90 5.31 5.63 5.89 6.12 6.32 6.49 6.65 6.79 6.92 7.03 7.14 7.24 7.34 7.43 7.51 7.59
7 3.34 4.16 4.68 5.06 5.36 5.61 5.82 6.00 6.16 6.30 6.43 6.55 6.66 6.76 6.85 6.94 7.02 7.09 7.17
8 3.26 4.04 4.53 4.89 5.17 5.40 5.60 5.77 5.92 6.05 6.18 6.29 6.39 6.48 6.57 6.65 6.73 6.80 6.87
9 3.20 3.95 4.42 4.76 5.02 5.24 5.43 5.60 5.74 5.87 5.98 6.09 6.19 6.28 6.36 6.44 6.51 6.58 6.64
10 3.15 3.88 4.33 4.65 4.91 5.12 5.30 5.46 5.60 5.72 5.83 5.93 6.03 6.11 6.20 6.27 6.34 6.40 6.47
11 3.11 3.82 4.26 4.57 4.82 5.03 5.20 5.35 5.49 5.61 5.71 5.81 5.90 5.99 6.06 6.14 6.20 6.26 6.33
12 3.08 3.77 4.20 4.51 4.57 4.95 5.12 5.27 5.40 5.51 5.62 5.71 5.80 5.88 5.95 6.03 6.09 6.15 6.21
13 3.06 3.73 4.15 4.45 4.69 4.88 5.05 5.19 5.32 5.43 5.53 5.63 5.71 5.79 5.86 5.93 6.00 6.05 6.11
14 3.03 3.70 4.11 4.41 4.64 4.83 4.99 5.13 5.25 5.36 5.46 5.55 5.64 5.72 5.79 5.85 5.92 5.97 6.03
15 3.01 3.67 4.08 4.37 4.60 4.78 4.94 5.08 5.20 5.31 5.40 5.49 5.58 5.65 5.72 5.79 5.85 5.90 5.96
16 3.00 3.65 4.05 4.33 4.56 4.74 4.90 5.03 5.15 5.26 5.35 5.44 5.52 5.59 5.66 5.72 5.79 5.84 5.90
17 2.98 3.63 4.0 4.30 4.52 4.71 4.86 4.99 5.11 5.21 5.31 5.39 5.47 5.55 5.61 5.68 5.74 5.79 5.84
18 2.97 3.61 4.00 4.28 4.49 4.67 4.82 4.96 5.06 5.17 5.27 5.35 5.43 5.50 5.57 5.63 5.69 5.74 5.79
19 2.96 3.59 3.98 4.25 4.47 4.65 4.79 4.92 5.04 5.14 5.23 5.32 5.39 5.46 5.53 5.59 5.65 5.70 5.75
20 2.95 3.58 3.96 4.23 4.45 4.62 4.77 4.90 5.01 5.11 5.20 5.28 5.36 5.43 5.49 5.55 5.61 5.66 5.71
24 2.92 3.53 3.90 4.17 4.37 4.54 4.68 4.81 4.92 5.01 5.10 5.18 5.25 5.32 5.38 5.44 5.50 5.54 5.59
30 2.89 3.49 3.84 4.10 4.30 4.46 4.60 4.72 4.83 4.92 5.00 5.08 5.15 5.21 5.27 5.33 5.38 5.43 5.48
40 2.86 3.44 3.79 4.04 4.23 4.39 4.52 4.63 4.74 4.82 4.91 4.98 5.05 5.11 5.16 5.22 5.27 5.31 5.36
60 2.83 3.40 3.74 3.98 4.16 4.31 4.44 4.55 4.65 4.73 4.81 4.88 4.94 5.00 5.06 5.11 5.16 5.20 5.24
120 2.80 3.36 3.69 3.92 4.10 4.24 4.36 4.48 4.56 4.64 4.72 4.78 4.84 4.90 4.95 5.00 5.05 5.09 5.13
∞ 2.77 3.31 3.63 3.86 4.03 4.17 4.29 4.39 4.47 4.55 4.62 4.68 4.74 4.80 4.85 4.89 4.93 4.97 5.01
290
TABEL 8 Amplitudinea studentizată Tukey T(0.01)
m 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
GLE
5 5.70 6.97 7.80 8.42 8.91 9.32 9.67 9.97 10.24 10.48 10.70 10.89 11.08 11.24 11.40 11.55 11.68 11.81 11.93
6 5.24 6.33 7.03 7.56 7.97 8.32 8.61 8.87 9.10 9.30 9.49 9.65 9.81 9.95 10.08 10.21 10.32 10.43 10.54
7 4.95 5.92 6.54 7.01 7.37 7.68 7.94 8.17 8.37 8.55 8.71 8.86 9.00 9.12 9.24 9.35 9.46 9.55 9.65
8 4.74 5.63 6.20 6.63 6.96 7.24 7.47 7.68 7.87 8.03 8.18 8.31 8.44 8.55 8.66 8.76 8.85 8.94 9.03
9 4.60 5.43 5.96 6.35 6.66 6.91 7.13 7.32 7.49 7.65 7.78 7.91 8.03 8.13 8.23 8.32 8.41 8.49 8.57
10 4.48 5.27 5.77 6.14 6.43 6.67 6.87 7.05 7.21 7.36 7.48 7.60 7.71 7.81 7.91 7.99 8.07 8.15 8.22
11 4.39 5.14 5.62 5.97 6.25 6.48 6.67 6.84 6.99 7.13 7.25 7.36 7.46 7.56 7.65 7.73 7.81 7.88 7.95
12 4.32 5.04 5.50 5.84 6.10 6.32 6.51 6.67 6.81 6.94 7.06 7.17 7.26 7.36 7.44 7.52 7.59 7.66 7.73
13 4.26 4.96 5.40 5.73 5.98 6.19 6.37 6.53 6.67 6.79 6.90 7.01 7.10 7.19 7.27 7.34 7.42 7.48 7.55
14 4.21 4.89 5.32 5.63 5.88 6.08 6.26 6.41 6.54 6.66 6.77 6.87 6.96 7.05 7.12 7.20 7.27 7.33 7.39
15 4.17 4.83 5.25 5.56 5.80 5.99 6.16 6.31 6.44 6.55 6.66 6.76 6.84 6.93 7.00 7.07 7.14 7.20 7.26
16 4.13 4.78 5.19 5.49 5.72 5.92 6.08 6.22 6.35 6.46 6.56 6.66 6.74 6.82 6.90 6.97 7.03 7.09 7.15
17 4.10 4.74 5.14 5.43 5.66 5.85 6.01 6.15 6.27 6.38 6.48 6.57 6.66 6.73 6.80 6.87 6.94 7.00 7.05
18 4.07 4.70 5.09 5.38 5.60 5.79 5.94 6.08 6.20 6.31 6.41 6.50 6.58 6.65 6.72 6.79 6.85 6.91 6.96
19 4.05 4.67 5.05 5.33 5.55 5.73 5.89 6.02 6.14 6.25 6.34 6.43 6.51 6.58 6.65 6.72 6.78 6.84 6.89
20 4.02 4.64 5.02 5.29 5.51 5.69 5.84 5.97 6.09 6.19 6.29 6.37 6.45 6.52 6.59 6.65 6.71 6.76 6.82
24 3.96 4.54 4.91 5.17 5.37 5.54 5.69 5.81 5.92 6.02 6.11 6.19 6.26 6.33 6.39 6.45 6.51 6.56 6.61
30 3.89 4.45 4.80 5.05 5.24 5.40 5.54 5.65 5.76 5.85 5.93 6.01 6.08 6.14 6.20 6.26 6.31 6.36 6.41
40 3.82 4.37 4.70 4.93 5.11 5.27 5.39 5.50 5.60 5.69 5.77 5.84 5.90 5.96 6.02 6.07 6.12 6.17 6.21
60 3.76 4.28 4.60 4.82 4.99 5.13 5.25 5.36 5.46 5.53 5.60 5.67 5.73 5.79 5.84 5.89 5.93 5.98 6.02
120 3.70 4.20 4.50 4.71 4.87 5.01 5.12 5.21 5.30 5.38 5.44 5.51 5.56 5.61 5.66 5.71 5.75 5.79 5.83
∞ 3.64 4.12 4.40 4.60 4.76 4.88 4.99 5.08 5.16 5.23 5.29 5.35 5.40 5.45 5.49 5.54 5.57 5.61 5.65
291
292
R 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0100 0.0200 0.0300 0.0400 0.0501 0.0601 0.0701 0.0802 0.0902
0.1 0.1003 0.1105 0.1206 0.1308 0.1409 0.1511 0.1614 0.1717 0.1820 0.1923
0.2 0.2027 0.2132 0.2237 0.2342 0.2448 0.2554 0.2661 0.2769 0.2877 0.2986
0.3 0.3095 0.3206 0.3317 0.3428 0.3541 0.3654 0.3769 0.3884 0.4001 0.4118
0.4 0.4236 0.4356 0.4477 0.4599 0.4722 0.4847 0.4973 0.5101 0.5230 0.5361
0.5 0.5493 0.5627 0.5763 0.5901 0.6042 0.6184 0.6328 0.6475 0.6625 0.6777
0.6 0.6931 0.7089 0.7250 0.7414 0.7582 0.7753 0.7928 0.8107 0.8291 0.8480
0.7 0.8673 0.8872 0.9076 0.9287 0.9505 0.9730 0.9962 1.0203 1.0454 1.0714
0.8 1.0986 1.1270 1.1568 1.1881 1.2212 1.2562 1.2933 1.3331 1.3758 1.4219
0.9 1.4722 1.5275 1.5890 1.6584 1.7380 1.8318 1.9459 2.0923 2.2976 2.6467
0.99 2.6467 2.6996 2.7587 2.8257 2.9031 2.9945 3.1063 3.2504 3.4534 3.800
294
295
Vol.sondaj n w‾ δ D1 D2
2 1.128 1.880 0 3.267
3 1.693 1.023 0 2.575
4 2.059 0.729 0 2.282
5 2.326 0.577 0 2.115
6 2.534 0.483 0 2.004
7 2.704 0.419 0.076 1.924
8 2.847 0.373 0.136 1.864
9 2.970 0.337 0.184 1.816
10 3.078 0.308 0.223 1.777
11 3.173 0.285 0.256 1.744
12 3.258 0.266 0.284 1.716
13 3.336 0.249 0.308 1.692
14 3.407 0.235 0.329 1.671
15 3.472 0.223 0.348 1.652
16 3.532 0.212 0.364 1.636
17 3.588 0.203 0.379 1.621
18 3.640 0.194 0.392 1.608
19 3.689 0.187 0.404 1.596
20 3.735 0.180 0.414 1.586
21 3.778 0.173 0.425 1.575
22 3.819 0.167 0.434 1.566
23 3.858 0.16 0.443 1.557
24 3.895 0.157 0.452 1.548
25 3.931 0.153 0.459 1.541
299
P 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 - 0.0644 0.1129 0.1518 0.1858 0.2161 0.2435 0.2686 0.2915 0.3127
0.1 0.3322 0.3503 0.3671 0.3826 0.3971 0.4105 0.4230 0.4346 0.4453 0.4552
0.2 0.4644 0.4728 0.4806 0.4877 0.4941 0.5000 0.5053 0.5100 0.5142 0.5179
0.3 0.5211 0.5238 0.5260 0.5278 0.5293 0.5301 0.5306 0.5307 0.5304 0.5298
0.4 0.5288 0.5274 0.5256 0.5236 0.5211 0.5184 0.5153 0.5120 0.5083 0.5043
0.5 0.5000 0.4954 0.4906 0.4854 0.4800 0.4744 0.4684 0.4623 0.4558 0.4491
0.6 0.4422 0.4350 0.4276 0.4199 0.4121 0.4040 0.3957 0.3871 0.3784 0.3694
0.7 0.3602 0.3508 0.3412 0.3314 0.3215 0.3113 0.3009 0.2903 0.2796 0.2687
0.8 0.2575 0.2462 0.2348 0.2231 0.2113 0.1993 0.1871 0.1748 0.1623 0.1496
0.9 0.1368 0.1238 0.1107 0.0974 0.0839 0.0703 0.0565 0.0426 0.0286 0.0140
300
ANUL 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002
PLANTA
GRÂU+
SECARĂ 2297.7 2217.1 1475.4 2307.4 2440.9 2501.4 1797.7 2424.4 2033.4 1686.9 1954.3 2558.6 2309.8
ORZ+
ORZOAICĂ 749 1017.7 628.4 637.1 785 581.7 515.4 626.5 517.2 415.5 411.9 528.8 578.8
OVĂZ 144.3 209.9 303.8 364.5 334.1 238.9 233.9 219.1 228.1 248.2 232.3 219.4 239.4
PORUMB 2466.7 2575 3335.9 3065.7 2983.4 3109.2 3277 3037.7 3128.9 3013.4 3049.4 2974 2894.5
MAZĂRE
BOABE 52 33.4 22.2 31.6 34.3 32.2 27.7 22 14 15.6 13.1 11.7 16.1
FASOLE
BOABE 72 46.2 46.4 34.4 31.9 29.9 37.8 29.9 29.9 28.1 26.2 21.5 27
FLOAREA
SOARELUI 394.7 476.8 615.1 588.4 582.2 714.5 916.8 780.4 962.2 1043 876.8 800.3 906.2
SOIA 190.2 108 165.6 75.1 64.5 73.4 80.2 63.1 147.3 99.8 117 44.8 71.8
SFECLĂ DE
ZAHĂR 162.7 201.6 179.9 97.2 130 133.2 135.9 128.8 117.8 65.5 48.4 39 41.6
CARTOFI
TOAMNĂ 204.7 204.7 192.3 216.1 216 211.7 224 229.9 229 238.5 246.5 241.6 246.7
LUCERNĂ
M.VERDE 442.1 449 351.5 345.7 340.3 343.1 337.2 343.9 335 336.2 323.1 322.3 345.5
TRIFOI
M.VERDE 153.7 122.6 118.8 118.4 123.7 129.4 130.5 135.8 141.8 140.1 137.7 133 142.1
ANUALE
FÂN+MV 464.1 417.3 393.9 355.6 371.3 337.7 345.1 286 302.6 384.4 310.5 269.8 351.1
PORUMB
SILOZ 560.5 225.6 278.4 170.8 134.8 113.7 132.1 79.7 86.9 57.6 50.1 36.4 48.1
301
TABEL 19 PRODUCŢII VEGETALE (MII TONE) ÎN PERIOADA 1990 - 2002
ANUL 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002
PLANTA
GRÂU+
SECARĂ 7379 5558.9 3227.6 5354.5 6186.5 7709.3 3164.1 7185.6 5207.9 4682.5 4456.2 7763.8 4441.1
ORZ+
ORZOAICĂ 2679.6 2950.7 1678 1552.8 2133.6 1816.3 1107.5 1889.3 1238 1018.6 867 1580 1160.4
OVĂZ 234 258.2 507.7 553.6 496.8 404.4 290.5 325.4 362.1 389.6 243.8 382.4 327.4
PORUMB 6809.6 10497.3 6828.3 7987.5 9343.2 9923.1 9607.9 12686.7 8623.4 10934.8 4897.6 9119.2 8399.8
MAZĂRE 20.5
BOABE 49.4 32.3 33.2 36.4 38.1 54.3 33.7 27.3 24-4 27 14.2 21.7
FASOLE
BOABE 57.5 46 41.2 48.4 37.4 41.8 42.1 50.2 46.9 47.7 21.8 36.5 33.6
FLOAREA
SOARELUI 556.2 612 774 695.8 763.7 932.9 1095.6 858.1 1073.3 1300.9 720.9 823.5 1002.8
SOIA 141.2 178.6 126.8 95.4 100.1 107.9 113.1 121.1 200.8 183.4 69.5 72.7 145.9
SFECLĂ DE
ZAHĂR 3277.7 4702.7 2896,7 1776.3 2763.8 2654.6 2848.2 2725.5 2361.4 14149 666.9 875.5 954.6
CARTOFI
TOAMNĂ 2830.9 1634.1 2332.2 3354.1 2620.1 2681.3 3246.3 2851 2952,8 3518.2 3132.1 3591.7 3696.7
LUCERNĂ
M.VERDE 8057.2 9661.2 6409.6 6879.4 6944.4 7081.2 6984.8 7727.6 7004.1 7738 5120.7 6476.8 6887.4
TRIFOI
M.VERDE 1926 2054.3 1792.6 1988.1 2059.3 2367 2400.6 2725.5 2632 2863.1 2018.4 2494.5 2534.6
ANUALE
FÂN+MV 6882.6 5645.8 4077.6 3971.9 4155.9 4127.4 3930.4 3741.4 3773.7 4334.5 28404 3146.2 3816.9
PORUMB
SILOZ 6549.5 4930 2827.2 2842.5 2193.5 1771.8 1978.8 1534.9 1095.4 974.2 444 542.2 517.5
RĂDĂCINOASE
NUTREŢ 2575 2139.3 1343.4 1465.1 1245.3 1322.4 1301.1 1247.9 1119.5 1174.6 800.6 1035.2 1042.5
302
TABEL 20 EFECTIVE DE ANIMALE (MII CAPETE) ÎN PERIOADA 1990-2003
ANUL 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003
SPECIA
B0VINE 6291 5381 4355 3683 3597 3481 3496 3435 3235 3143 3051 2870 2800 2878
VACI+BIV. 2468 2123 2266 2025 1979 1963 1983 1939 1844 1794 1769 1775 1746 1759
CABALINE 663 670 749 921 751 784 806 816 822 839 858 865 860 852
OVINE 15435 14062 13879 12079 11499 10897 10381 9663 8937 8409 8121 7657 7251 7312
OI+MIOARE 9292 9050 11496 8854 8731 8049 7688 7188 6714 6354 6166 5870 5823 5795
CAPRINE 1017 1005 954 805 776 745 705 654 610 585 558 538 525 633
CAPRE 796 697 734 613 562 542 514 475 453 429 411 404 406 469
PĂSĂRI 113968 121379 106032 87725 76532 70137 80524 78478 66620 69480 69143 70076 71413 77379
GĂINI OUĂT. 49390 51475 50213 42406 37981 36233 38574 38883 35089 37272 38497 40760 42156 44667
ALBINE(MII
FAMILII) 1201 1091 1207 780 759 747 696 656 626 620 614 649 745 781
ANUL 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002
PRODUC. U.M.
LAPTE MII HL 33057 35107 33593 35594 41663 44759 45453 44984 43763 42292 41719 43233 44980
VACĂ+BIV.*
LÂNĂ TONE 38167 32537 28020 26011 25141 24323 23165 22120 19967 18983 17997 16880 16659
OUĂ GĂINĂ MILBUC 7701 6859 5801 5316 5091 5263 5459 4953 4956 5323 5257 5524 5771
CARNE VITĂ MII 425 375 403 421 466 412 427 421 371 364 362 357 399
TONE
CARNE MII 1054 1012 907 962 893 897 911 820 825 687 600 579 640
PORC TONE
CARNE OAIE MII 172 162 169 167 160 162 149 138 130 120 119 112 129
TONE
CARNE MII 561 459 406 376 325 367 373 318 340 342 327 360 429
PASĂRE TONE
MIERE TONE 10579 8279 10410 9936 9820 10435 11157 10543 10198 11153 11746 12598 13434
PEŞTE TONE 63497 52008 37769 26373 28577 25383 23857 19381 17925 13528 17099 13417 16232
* Fără consum viţei
303
TABEL 22 BAZA TEHNICO-MATERIALĂ A AGRICULTURII ÎN PERIOADA 1990-2002
ANUL 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002
RESURSA
TRACTOARE 127065 132761 146790 158126 161223 163370 165281 163016 164756 163883 160053 164221 163711
PLUGURI 73159 73384 80730 95850 103805 107253 113955 114721 121620 122956 123192 126905 131252
CULTIVATOARE 27339 23868 23223 23632 23446 23376 23899 28369 28057 27988 26212 26037 27433
SEMĂNĂTORI 35778 34988 37048 43921 47682 50395 51608 53853 55678 56173 57709 59979 62061
MAŞINI ÎNGRĂŞ. 10810 9871 10563 10694 10498 10259 9981 10061 9912 8940 8635 9250 9656
CHIMICE
MAŞINI STROPIT, 14991 14088 13698 12828 12099 11788 10950 9957 9424 8202 7371 6898 7191
PRĂFUIT
COMBINE PT. 35813 34497 34473 34552 35649 36125 35936 35959 31483 29934 26783 24716 24231
PĂIOASE
COMBINE PT. 4882 3117 2919 2757 2732 1996 1775 1746 1593 1334 1301 1068 1084
PORUMB
COMBINE PT. 5569 5194 5294 4866 4356 4135 3600 3082 2729 2101 1656 1267 1091
FURAJE
VINDROVERE PT. 4981 4805 4712 4491 4062 3764 3446 3093 2779 2153 1780 1661 1512
FURAJE
PRESE BALOTAT 21706 20663 21579 19200 18475 16346 14519 12831 11050 8544 6753 5575 4921
PAIE
AZOTAT * 656 275 258 346 313 306 368 262 254 225 239 268 239
SUPERFOSFAT * 313 145 133 165 149 149 153 129 114 93 88 87 73
SARE POTASICĂ * 144.3 44 31 27 17 15 14 13 15 13 15 14 14
ÎNGRĂŞĂMINTE 24791 16910 15792 17125 16945 17423 17871 16513 15842 16685 15813 15327 15746
NATURALE *
* MII TONE
304
279
BIBLIOGRAGIE GENERALĂ