M ATEMATICI APLICATE ÎN ECONOMIE

C ONTABILITATE ŞI INFORMATIC Ă DE GESTIUNE

I NTRODUCERE ÎN STATISTICA MATEMATICA

Vegheş Ovidiu

email: ovidiuvro2012@gmail.com

2019.12

Vegheş Ovidiu (email: ovidiuvro2012@gmail.com) C URS 12 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 1 / 15

 Cuprins

1 Metode de estimare a parametrilor

Metoda momentelor
Metoda verosimilităţii maxime

2 Aplicaţii
Aplicaţie la repartiţia Gama
Aplicaţie la repartiţia Poisson
Aplicaţie la repartiţia uniformă continuă
Aplicaţie la repartiţia normală
Folosirea estimatorilor în cazul repartiţiei normale

3 Bibliografie

Vegheş Ovidiu (email: ovidiuvro2012@gmail.com) C URS 12 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 2 / 15

 Metode de estimare a parametrilor Metoda momentelor

Metoda momentelor
Procedeul datorat lui K.Pearson se bazează pe convergenţa în probabilitate a
momentelor de selecţie către momentele teoretice corespunzătoare, adică pe
consistenţa momentelor de selecţie.
Metoda lui Pearson pentru estimarea parametrilor θ = (θ1 , θ2 , . . . , θr ) din
legea de repartiţie f (x; θ) a variabilei observate X constă în formarea unui
sistem de ecuaţii prin egalarea a r momente teoretice cu momente de selecţie
corespunzătoare, unde r reprezintă numărul parametrilor de estimat. De
obicei se iau primele r momente:
mk (θ1 , θ2 , . . . , θr ) = mk∗ (x1 , x2 , . . . , xn ) , k = 1, 2, . . . , r .
Dacă ecuaţiile sunt independente funcţional obţinem
θ̂l = θ̂l (m1∗ (x1 , x2 , . . . , xn ) , . . . , mr∗ (x1 , x2 , . . . , xn )) , l = 1, 2, . . . , r .
Observaţie. În acest caz când numărul n al observaţiilor este mare este suficient ca estimaţia
parametrului necunoscut şă satisfacă condiţia de consistenţă, fără a fi obligatoriu nedeplasată
(dar fiind asimptotic nedeplasată), deoarece eroarea sistematică devine neglijabilă, iar dispersia
estimaţiei va asigura o concentraţie suficient de bună a valorilor ei în jurul parametrului pe care în
estimăm.
Vegheş Ovidiu (email: ovidiuvro2012@gmail.com) C URS 12 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 3 / 15
 Metode de estimare a parametrilor Metoda verosimilităţii maxime

Metoda verosimilităţii maxime

R.A.Fisher a criticat neajunsurile metodei momentelor şi a elaborat o nouă
metodă de estimare. Estimaţiile obţinute prin acestă metodă posedă
proprietăţi remarcabile care conferă metodei un plus de eficacitate.
Metoda verosimilităţii maxime constă în determinarea valorii parametrului θ
care maximizează verosimilitatea (probabilitatea)
n
Y
V (x1 , x2 , . . . , xn ; θ) = f (xk ; θ)
k =1

sau echivalent funcţia

n
X
L (x1 , x2 , . . . , xn ; θ) = ln V (x1 , x2 , . . . , xn ; θ) = ln f (xk ; θ) .
k =1

Funcţiile P (x1 , x2 , , xn ; θ) şi L (x1 , x2 , , xn ; θ) se numesc funcţii de verosimilitate,

iar ecuaţia ∂L(x1 ,x∂θ
2 ,...,xn ;θ)
= 0 se numeşte ecuaţia de verosimilitate.
Observaţie. În cazul estimării unui singur parametru θ estimaţia de verosimilitate maximă
este consistentă, iar pentru valori mari ale lui n repartiţia ei este asimptotic normală (cu media θ
şi dispersia  −1  ). Spunem că ea este asimptotic eficientă.
2 ∂ ln f (x;θ)
n·M
∂θ 2
Vegheş Ovidiu (email: ovidiuvro2012@gmail.com) C URS 12 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 4 / 15
 Aplicaţii Aplicaţie la repartiţia Gama

Aplicaţie la repartiţia Gama

V.a. X are o repartiţie Gama de parametri a, b > 0 (adică X ∈ Γ (a, b)), dacă densitatea ei de repartiţie este
−x
fX (x) = 1
ba Γ(a)
x a−1 e b , x ∈ (0, ∞) . Atunci ϕX (t) = 1
(1−bit)a
, M (X ) = ab , D (X ) = ab2 .

Exemplu 1. Se consideră funcţia

( −4x
16
f (x; θ) = θ2
xe θ , dacă x ∈ (0, ∞) .
0 , altfel

i) Să se estimeze parametrul θ > 0 pe baza unei selecţii de volum n.

ii) Să se studieze proprietăţile estimatorului obţinut.
θ2
θ

θ θ θ

2
Soluţie. Observăm că X ∈ Γ 2, 4 . Atunci M (X ) = 2 · 4 = 2, D (X ) = 2 · 4 = 8 .
i-a) Metoda momentelor: formăm ecuaţia m1 = m1∗ . θ
Atunci = M (X ) = X . Obţinem θ̂ = 2X .
2
i-b) Metoda verosimilităţii maxime: Căutăm un punct de maxim local al funcţiei θ 7→ V (x1 , x2 , . . . , xn ; θ) sau
n
P
−4 xk
n n
n  Q 
 k =1
f (xk ; θ) = 162
Q
echivalent θ 7→ L (x1 , x2 , . . . , xn ; θ). Avem V (x1 , x2 , . . . , xn ; θ) = xk e θ
θ
k =1 k =1
 n 
xk − 4nx
Q
şi L (x1 , x2 , . . . , xn ; θ) = ln V (x1 , x2 , . . . , xn ; θ) = n ln 16 − 2n ln θ + ln θ .
k =1
−2n
Pas 1. 0 = L0θ (.; θ) = + 4nx
implică θ̂ = 2x.
θ θ2
−n
Pas 2. Deoarece L00
θθ (.; θ) |θ=θ̂ =
2n
− 8nx
| = < 0, punctul θ = θ̂ este punct de maxim local.
θ2 θ 3 θ=2x 2x 2

În concluzie putem considera estimatorul θ̂ = 2X pentru aflarea valorilor lui θ.

Vegheş Ovidiu (email: ovidiuvro2012@gmail.com) C URS 12 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 5 / 15
 Aplicaţii Aplicaţie la repartiţia Gama

Aplicaţie la repartiţia Gama - continuare

X1 +X2 +...+Xn
ii) Studiem proprietăţile estimatorului θ̂ = 2X = 2 n .
       
X1 +X2 +...+Xn
M θ̂ = M 2X = 2M X = 2M n

  = n2 (M + M (Xn )) = n2
1 ) + M (X2) + . . . 
 (X nM (X ) = 2 · θ
2 = θ.
X1 +X2 +...+Xn
D θ̂ = D 2X = 4D X = 4D n
v.a.i. 4 4 4 θ2 θ2
= (D (X1 ) + D (X2 ) + . . . + D (Xn )) = nD (X ) = · = .
n2 n2 n 8 2n

 
θ̂ = 2X este un estimator nedeplasat pentru că M θ̂ = θ.
   
θ̂ = 2X este un estimator absolut corect pentru că M θ̂ = θ şi lim D θ̂ = 0.
n→∞
P
θ̂ = 2X este un estimator consistent (θ̂ −→ θ) pentru că o condiţie suficientă este să fie absolut corect.
n→∞
Verificăm că este estimatorul este eficient.
∂ ln f (x;θ)
Avem ln f (x; θ) = ln 16 − 2 ln θ + ln x − 4x
θ şi = − θ2 + 4x
.
∂θ θ2

    2 
∂ ln f (x;θ) 2 2
 
4X
I (θ) =M =M − θ2 = M 16X4 − 16X + 42
∂θ θ2 θ θ3 θ
 
16M X 2 16M(X )
 2
2 
4 16 θ
+ θ2 − 163 θ2 + 42 = 22 .


= − + =
θ4 θ3 θ2 θ4 8 θ θ θ

θ2
 
1 1 
Constatăm că n·I(θ)
= = 2n = D θ̂ .
n· 2
θ2    
1
θ̂ = 2X este un estimator eficient pentru că M θ̂ = θ şi D θ̂ = n·I(θ)
.

Vegheş Ovidiu (email: ovidiuvro2012@gmail.com) C URS 12 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 6 / 15

 Aplicaţii Aplicaţie la repartiţia Poisson

Aplicaţie la repartiţia Poisson

x
V.a. X are o repartiţie Poisson de parametru λ > 0 (adică X ∈ Po (λ)), dacă P (X = x) = e−λ λx! , x ∈ N .
 
λ eit −1
Atunci ϕX (t) = e , M (X ) = λ , D (X ) = λ .
Exemplu 2. Se consideră funcţia
θx −θ
p (x; θ) = e 2 , dacă x = 0, 1, 2, . . . .
2x · x!
i) Să se estimeze parametrul θ > 0 pe baza unei selecţii de volum n.
ii) Să se studieze proprietăţile
estimatorului obţinut.
θ θ θ
Soluţie. Observăm că X ∈ Po 2 . Atunci M (X ) = 2, D (X ) = 2.

i-a) Metoda momentelor: formăm ecuaţia m1 = m1∗ . Atunci θ2 = M (X ) = X . Obţinem θ̂ = 2X .

i-b) Metoda verosimilităţii maxime: Căutăm un punct de maxim local al funcţiei θ 7→ V (x1 , x2 , . . . , xn ; θ) sau
n
P
n xk −nθ
θ 1
Q

echivalent θ 7→ L (x1 , x2 , . . . , xn ; θ). Avem V (x1 , x2 , . . . , xn ; θ) = f (xk ; θ) = 2
k =1
n e 2 şi
(xk !)
Q
k =1
k =1
n
 
nθ
Q
L (x1 , x2 , . . . , xn ; θ) = ln V (x1 , x2 , . . . , xn ; θ) = nx (ln θ − ln 2) − ln ( xk !) − 2 .
k =1
Pas 1. 0 = L0θ
(.; θ) = nx n
θ − 2 implică θ̂ = 2x.
−n
Pas 2. Deoarece L00 nx
θθ (.; θ) |θ=θ̂ = − 2 |θ=2x = 4x
< 0, punctul θ = θ̂ este punct de maxim local.
θ

În concluzie putem considera estimatorul θ̂ = 2X pentru aflarea valorilor lui θ.

Vegheş Ovidiu (email: ovidiuvro2012@gmail.com) C URS 12 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 7 / 15

 Aplicaţii Aplicaţie la repartiţia Poisson

Aplicaţie la repartiţia Poisson - continuare

X1 +X2 +...+Xn
ii) Studiem proprietăţile estimatorului θ̂ = 2X = 2 n .
       
X1 +X2 +...+Xn
M θ̂ = M 2X = 2M X = 2M n

  = n2 (M + M (Xn )) = n2
1 ) + M (X2) + . . . 
 (X nM (X ) = 2 · θ
2 = θ.
X1 +X2 +...+Xn
D θ̂ = D 2X = 4D X = 4D n
v.a.i. 4 4 4 θ 2θ
= (D (X1 ) + D (X2 ) + . . . + D (Xn )) = nD (X ) = · = n .
n2 n2 n 2

 
θ̂ = 2X este un estimator nedeplasat pentru că M θ̂ = θ.
   
θ̂ = 2X este un estimator absolut corect pentru că M θ̂ = θ şi lim D θ̂ = 0.
n→∞
P
θ̂ = 2X este un estimator consistent (θ̂ −→ θ) pentru că o condiţie suficientă este să fie absolut corect.
n→∞
Verificăm că este estimatorul este eficient.
∂ ln f (x;θ) x 1
Avem ln f (x; θ) = x (ln θ − ln 2) − ln (x!) − θ2 şi ∂θ = θ − 2.

 2     2 
∂ ln f (x;θ) X 1 2
= M X 2 − Xθ + 14


I (θ) =M ∂θ =M θ − 2 θ
 
M X2 M(X )

2 
1 1 θ
+ θ2 − θ1 θ2 + 41 = 2θ1


= − + = .
θ2 θ 4 θ2 2

 
1 1  2θ
Constatăm că n·I(θ)
= = D θ̂ .
1
= n
n·
2θ    
1
θ̂ = 2X este un estimator eficient pentru că M θ̂ = θ şi D θ̂ = n·I(θ)
.

Vegheş Ovidiu (email: ovidiuvro2012@gmail.com) C URS 12 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 8 / 15

 Aplicaţii Aplicaţie la repartiţia uniformă continuă

Aplicaţie la repartiţia uniformă continuă

V.a. X ∈ U (a, b) are o repartiţie uniformă continuă de parametrii a, b, cu b > a, dacă densitatea ei este
(
eitb −eita
1
fX (x) = b−a , x ∈ [a, b] . Atunci ϕX (t) = (b−a)it
, t 6= 0 , M (X ) = a+b , D (X ) = (b−a)2 .
2 12
1 ,t =0

Exemplu 3. Se consideră funcţia

1

, dacă x ∈ (0, θ)
f (x; θ) = θ .
0 , altfel
Să se estimeze parametrul θ > 0 pe baza unei selecţii de volum n.
θ θ2
Soluţie. Observăm că X ∈ U (0, θ). Atunci M (X ) = 2, D (X ) = 12 .
i-a) Metoda momentelor: formăm ecuaţia m1 = m1∗ . Atunci θ2 = M (X ) = X . Obţinem θ̂ = 2X .
i-b) Metoda verosimilităţii maxime: Căutăm un punct de maxim local al funcţiei θ 7→ V (x1 , x2 , . . . , xn ; θ). Avem
n
f (xk ; θ) = θ1n dacă xk ∈ (0, θ) ∀k = 1, 2, . . . , n.
Q
V (x1 , x2 , . . . , xn ; θ) =
k =1
Evident valoarea maximă se obţine pentru cel mai mic θ. Dar max {x1 , . . . , xn } 6 θ.
În concluzie putem considera estimatorul θ̂ = max {X1 , . . . , Xn } pentru aflarea valorilor lui θ.

Vegheş Ovidiu (email: ovidiuvro2012@gmail.com) C URS 12 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 9 / 15

 Aplicaţii Aplicaţie la repartiţia normală

Aplicaţie la repartiţia normală

V.a.X are o repartiţie normală de parametri m ∈ R şi σ > 0 (adică X ∈ N (m, σ)), dacă densitatea ei este
−(x−m)2 σ2 t 2
fX (x) = √1
e 2σ 2 , x ∈ (−∞, +∞) . Atunci ϕX (t) = emit− 2 , M (X ) = m , D (X ) = σ 2 .
σ 2π

Exemplu 4. i) Să se estimeze parametrii repartiţiei normale pe baza unei selecţii de volum n.
ii) Să se studieze proprietăţile estimatorilor obţinuţi.
X1 +X2 +...+Xn
m1∗ = X =
(
m1 = m1∗

n
Soluţie. i-a) Metoda momentelor: formăm sistemul , unde X 2 +X 2 +...+Xn2 .
m2 = m2∗ m2∗ = 1 2
  n
Deoarece M (X ) = m şi M X 2 = m2 + σ 2 soluţia sistemului
(
m = m1∗

m̂ = X
este .
m2 + σ 2 = m2∗ c2 = m∗ − (m∗ )2 = S 2
σ 2 1 X

Într-adevăr

n n h
(Xk −X +X )2 (Xk −X )2 +2X (Xk −X )+X 2
P P i
X 2 +X 2 +...+Xn2
 2 2 2
m2∗ − (m1∗ )2 = 1 2
n − X = k =1
n −X = k =1
n −X
!
n n n
(Xk −X )2 +2X Xk −nX +nX 2 (Xk −X )2
P P P
2
= k =1
n
k =1
− X = k =1 n = Wn = SX2 .

Vegheş Ovidiu (email: ovidiuvro2012@gmail.com) C URS 12 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 10 / 15

 Aplicaţii Aplicaţie la repartiţia normală

Aplicaţie la repartiţia normală - continuare (1)

i-b) Metoda verosimilităţii maxime: Notăm d = σ 2 . Căutăm un punct de maxim local al funcţiei
(m, d) 7→ V (x1 , x2 , . . . , xn ; m, d) sau echivalent (m, d) 7→ L (x1 , x2 , . . . , xn ; m, d).
n
n  n −12d
P
(xk −m)2
f (xk ; m, d) = √ 1
Q
Avem V (x1 , x2 , . . . , xn ; m, d) = e k =1 şi
2πd
k =1
√ n
L (x1 , x2 , . . . , xn ; m, d) = ln V (x1 , x2 , . . . , xn ; m, d) = −n ln 2π − n2 ln d − 2d 1
(xk − m)2 .
P
k =1
n n
 
 0 = L0m (.; m, d) = d1 1
P P

 (xk − m)  m̂ = n

 xk = x
k =1 k =1
Pas 1. n implică n .
0 −n 2
1 1
(xk − x)2 = wn
P P
 0 = Ld (.; m, d) = 2d + 2 (xk − m)  d̂ = n

 

2d
k =1 k =1
n n
−n −1 −1 P
L00 L00 (xk − m), L00
P
Pas 2. Deoarece mm (.; m, d) = d , md (.; m, d) = dm (.; m, d) = d 2 (xk − m),
d2
k =1   k =1
−n 2
n   0
L00 n 1
(xk − m)2 avem HL .; m̂, d̂ =  w
P
dd (.; m, d) = 2d 2 − d 3
. Matricea este pozitiv definită
−n3
k =1 0 2
  2w
şi prin urmare punctul m̂, d̂ este punct de maxim local.
(
m̂ = X
În concluzie putem considera estimatorii c2 = W = S 2 pentru aflarea valorilor lui m şi σ 2 .
σ n X

Vegheş Ovidiu (email: ovidiuvro2012@gmail.com) C URS 12 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 11 / 15

 Aplicaţii Aplicaţie la repartiţia normală

Aplicaţie la repartiţia normală - continuare (2)

X1 +X2 +...+Xn
ii) Studiem proprietăţile estimatorului m̂ = X = n .
 
M (m̂) = M X = m (conform Propoziţia 1/Teoria selecţei - Curs 11).
2
 
D (m̂) = D X = σn (conform Propoziţia 1/Teoria selecţei - Curs 11).

m̂ = X este un estimator nedeplasat pentru că M (m̂) = m.

m̂ = X este un estimator absolut corect pentru că M (m̂) = m şi lim D (m̂) = 0.
n→∞
P
m̂ = X este un estimator consistent (m̂ −→ m) pentru că o condiţie suficientă este să fie absolut corect.
n→∞
Temă: Să se cerceteze dacă estimatorul m̂ = X este eficient pentru aflarea valorilor lui m.
c2 = S 2 .
Studiem proprietăţile estimatorului σ X

   
c2
M σ = M SX2 = n−1 n σ
2
(conform Propoziţia 2/Teoria selecţei - Curs 11).
    h i
n−1 2(n−1) 4
D σ2
c = D SX = 3 (n − 1) 3σ 4 − (n − 3) σ 4 =
2
σ
n n2
(conform Propoziţia 2/Teoria selecţei - Curs 11).
 
c2 = S 2 este un estimator deplasat pentru că M σ
σ c2 = σ 2 − 1 σ 2 6= σ 2 . Statistica trebuie corectată.
X
n 
Temă: Să se calculeze momentul centrat de ordinul 4: µ4 = M (X − m)4 pentru X ∈ N (m, σ).

Vegheş Ovidiu (email: ovidiuvro2012@gmail.com) C URS 12 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 12 / 15

 Aplicaţii Aplicaţie la repartiţia normală

Aplicaţie la repartiţia normală - continuare (3)

 
Vrem să aflăm valoarea unei constante α ∈ R astfel încât M αSX2 = α n−1 2 2
n σ = σ . Obţinem α =
n
n−1 .
2
c2 =
Studiem proprietăţile estimatorului σ n
n−1 SX = n W
n−1 n = W
n−1 = sX2 .

   
c2
M σ = M sX2 = σ 2 (conform Propoziţia 3/Teoria selecţei - Curs 11).
    h i
D σ2
c = D sX2 = n1 3σ 4 − n−3 n−1 σ
4 2
= n−1 σ4
(conform Propoziţia 3/Teoria selecţei - Curs 11).
 
c2 = s2 este un estimator nedeplasat pentru că M σ
σ c2 = σ 2 .
X
   
2 c2 = σ 2 şi lim D σ
σ 2 = sX este un estimator absolut corect pentru că M σ
c c2 = 0.
n→∞
c2 = s2 este un estimator consistent (σ P
σ X
c2 −→ σ 2 ) pentru că o condiţie suficientă este să fie absolut corect.
n→∞
c2 = s2 este eficient pentru aflarea valorilor lui σ 2 .
Temă: Să se cerceteze dacă estimatorul σ X
   
Indicaţie. 1 = 2 σ 4 < 2 σ 4 = D s2 = D d̂ , unde d = σ 2 . Estimatorul nu este eficient.
n·I(d) n n−1 X

Vegheş Ovidiu (email: ovidiuvro2012@gmail.com) C URS 12 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 13 / 15

 Aplicaţii Folosirea estimatorilor în cazul repartiţiei normale

Folosirea estimatorilor în cazul repartiţiei normale

Fie X1 , . . . , Xn datele unei selecţii de volum n folosite în estimarea parametrilor repartiţiei normale
(adică X1 , . . . , Xn v.a.i.i. cu X ∈ N (m, σ)).
Cazuri  de reţinut. i) Estimarea mediei m când σ este cunoscut.  
σ σ 1+α
P X − z 1+α · √
n
6 m 6 X + z 1+α · √
n
= α, unde FZ z 1+α = 2
.
2 2 2
ii) Estimarea
 mediei m când σ este necunoscut.
  
s s 1+α
P X − t 1+α · √Xn 6 m 6 X + t 1+α · √Xn = α, unde FT tn−1, 1+α = 2
.
2 2 2
iii) Interval
 de încredere pentru parametrul
 σ2 .
2 2
(n−1)·sX (n−1)·sX
P 6 σ2 6  = α, unde
χ2 1+α
χ2 1−α
n−1, n−1,
2   2  
1−α 1+α
FU χ2 = şi FU χ2 = .
n−1, 1−α
2
2 n−1, 1+α
2
2

Observaţie. S-a folosit teorema care afirmă că dacă X1 , . . . , Xn v.a.i.i. cu X ∈ N (m, σ),
atunci:
1) X şi sX2 sunt v.a.i.;
   
2) X ∈ N m, √σn şi sX2 ∈ Γ n−1
2
, 2
n−1
σ2 ;
2  
X −m X −m (n−1)sX n−1
3) Z = σ
√
∈ N (m, σ), T = s ∈ tn−1 şi U = σ2
∈ χ2n−1 ≡ Γ 2
,2 .
n √X
n

Vegheş Ovidiu (email: ovidiuvro2012@gmail.com) C URS 12 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 14 / 15

 Bibliografie

Bibliografie

1 O. Popescu (coord.) , Matematici aplicate în economie. Vol. I. Ed.

Didactică şi Pedagogică, Bucureşti, 1993.
2 O. Popescu (coord.) , Matematici aplicate în economie. Culegere de
probleme. Ed. Didactică şi Pedagogică, Bucureşti, 1996.
3 G. Beganu (coord.), L. Bădin, L. Manu, M. Covrig, A. Toma. Teoria
probabilităţilor şi statistică matematică. Culegere de probleme.
Ed.Meteora Press, Bucureşti, 2002.
4 S. Dedu, F. Şerban, Matematici aplicate în economie. Aplicaţii.
Ed.Teocora, Buzău, 2009.
5 I. Purcaru. Matematici Generale şi Elemente de Optimizare. Ed.
Economică, Bucureşti, 2004.
6 https://online.ase.ro .
7 http://www.biblioteca-digitala.ase.ro/biblioteca/carte2.asp?id=166&idb=11 .

Vegheş Ovidiu (email: ovidiuvro2012@gmail.com) C URS 12 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 15 / 15