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 11 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 1 / 13

 Cuprins

1 Noţiuni fundamentale în statistică

Terminologie
Teoria selecţiei
Teoria estimaţiei

2 Estimarea parametrilor repartiţiei normale

Cuantilele unei variabile aleatoare
Intervale de încredere
Estimarea prin intervale de încredere a parametrilor repartiţiei normale
Aplicaţie numerică

3 Bibliografie

Vegheş Ovidiu (email: ovidiuvro2012@gmail.com) C URS 11 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 2 / 13

 Noţiuni fundamentale în statistică Terminologie

Terminologie
Definiţie
i) Fie X o v.a. definită pe câmpul de probabilitate (Ω, K, P). X se numeşte v.a. teoretică în
contextul în care valorile sale sale evidenţiază o caracteristică studiată pe o colectivitate
(populaţie) Ω.
ii) Vom numi selecţie (eşantion) o colectivitate parţială de elemente alese la întâmplare din Ω.
Numărul elementelor dintr-o selecţie îl vom numi volumul selecţiei. Spunem că o selecţie este
repetată (nerepetată), dacă elementul ales la întâmplare este reintrodus (nu mai este reintrodus)
în colectivitatea generală înaintea efectuării următoarei alegeri.
iii) Se numeşte sondaj procesul de prelevare la întâmplare a membrilor colectivităţii pentru a
construi eşantionul.
iv) Valorile caracteristicii studiate observate pe eşantion se numesc date de selecţie. Privite
apriori, valorile X1 , . . . , Xn sunt v.a.i.i. cu v.a. X , în cazul unei selecţii repetate. Privite aposteriori,
valorile de selecţie x1 , . . . , xn sunt valori numerice bine determinate.
v) Orice funcţie de datele de selecţie tn (X1 , . . . , Xn ) o vom numi funcţie de selecţie sau statistică.

Teoremă [Glivenko]. Dacă FX (x) este funcţie teoretică de repartiţie, iar Fn (x) funcţia
empiric
ă de repartiţie, cu n fiind volumul 
selecţiei, atunci:
P lim sup |Fn (x) − FX (x)| = 0 = 1. Am considerat pentru x ∈ R:
n→∞ x∈R
FX (x) = P ({ω ∈ Ω | X (ω) < x}),
Fn (x) = nnx unde nx este numărul valorilor de selecţie mai mici decât x.
Vegheş Ovidiu (email: ovidiuvro2012@gmail.com) C URS 11 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 3 / 13
 Noţiuni fundamentale în statistică Teoria selecţiei

Teoria selecţiei

Definiţie
Fie X1 , . . . , Xn date
 se selecţie obţinute 
în studiul caracteristicii teoretice X . Considerăm mixul
∗ X1 X2 . . . Xn
probabilist X : 1 1 numit variabila aleatoare de selecţie.
n n
. . . n1
X1r +X2r +...+Xnr
i) mr∗ = n
se numeşte moment de selecţie iniţial de ordin r .
(X1 −X )r +(X2 −X )r +...+(Xn −X )r
ii) µ∗r = n
se numeşte moment centrat de selecţie iniţial de ordin r .

Observaţii. i) X1 , . . . , Xn sunt v.a.i.i. cu v.a. teoretică X .

ii) Fn este funcţia de repartiţie a variabilei aleatoare de selecţie.
X +X +...+Xn
iii) Pentru r = 1 avem X = m1∗ = 1 2 n media de selecţie.
2 ∗ (X −X )2 +(X2 −X )2 +...+(Xn −X )2
iv) Pentru r = 2 avem SX = µ2 = 1 n dispersia (nemodificată) de selecţie.
v) Pentru rezultatele următoare considerăm că
   
m = m1 = M (X ); σ 2 = µ2 = D (X ) = M (X − m)2 ; µ4 = M (X − m)4 există şi sunt cunoscute.
σ2
   
Propoziţia 1. M X = m şi D X = n
.
M (X1 )+...+M(Xn )
   
X1 +X2 +...+Xn M(X )+...+M(X ) n·M(X )
Demonstraţie. M X = M n = n = n = n = M (X ) = m.
v.a.i. D (X1 )+...+D(Xn ) σ2
   
X1 +X2 +...+Xn D(X )+...+D(X ) n·D(X ) D(X )
D X =D n = 2 = 2 = 2 = n = n .
n n n

Vegheş Ovidiu (email: ovidiuvro2012@gmail.com) C URS 11 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 4 / 13

 Noţiuni fundamentale în statistică Teoria selecţiei

Teoria selecţiei - continuare

 2  2  2
Lemă. Dacă W = X1 − X + X2 − X + . . . + Xn − X , atunci:

M (W ) = (n − 1) µ2
M W 2 = n−1 (n − 1) µ4 + n2 − 2n + 3 µ22



n  
Propoziţia 2. M SX2 = M Wn = n−1


n
µ2 şi
 
W n−1
2
D SX = D n = n3 (n − 1) µ4 − (n − 3) µ22 .

 
  h i
Demonstraţie. D (W ) = M W 2 − (M (W ))2 = n−1 n (n − 1) µ4 − (n − 3) µ22 .
 
M(W )
M SX2 = M Wn = n = n−1


n µ2 .
  h i
D(W )
D SX = D n = 2 = n−1
2 W
(n − 1) µ4 − (n − 3) µ22 .


3
n n     h i
W W 1 n−3 2
Propoziţia 3. M sX2 = M = µ2 şi D sX2 = D n−1



n−1
= n
µ4 − µ
n−1 2
.
def.
Demonstraţie. Avem sX2 = W n
n−1 =n−1 SX2 (se numeşte dispersia modificată (corectată) de selecţie).
   
n n−1
M sX2 = M n−1 n
SX2 = n
n−1 M S 2
X = n−1 n µ2 = µ2 .
n2 n2
      h i h i
n−1
D sX2 = D n−1 n
SX2 = 2
D SX = (n − 1) µ4 − (n − 3) µ22 = n1 µ4 − n−3 2
n−1 µ2 .
(n−1)2 (n−1)2 n3

Vegheş Ovidiu (email: ovidiuvro2012@gmail.com) C URS 11 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 5 / 13

 Noţiuni fundamentale în statistică Teoria estimaţiei

Teoria estimaţiei

Definiţie
Operaţia de evaluare a parametrilor unei repartiţii (incomplet specificată) poartă numele de estimare a
parametrilor, operaţie care se face pe baza unei selecţii de volum n extrasă din populaţia studiată. Valorile
parametrilor sunt estimate cu ajutorul unei statistici tn (X1 , . . . , Xn ) construite cu ajutorul datelor de selecţie
X1 , . . . , Xn .

Definiţie
Fie X o v.a. dată prin densitatea de repartiţie f (x; θ), x ∈ I-interval, dacă este o v.a. continuă ce admite
densitate, sau dată prin repartiţia de probabilitate P (X = x; θ), x ∈ I-finită sau numărabilă, dacă este o v.a.
discretă. Cu ajutorul funcţiei de selecţie tn (X1 , . . . , Xn ) dorim să estimăm parametrul θ (forma fiind cunoscută).
i) En = tn (X1 , . . . , Xn ) − θ se numeşte eroare aleatoare,
iar Bn = M (tn (X1 , . . . , Xn )) − θ se numeşte eroare sistematică (deplasare).
ii) tn este nedeplasat d.n.d. Bn = 0, ∀n ∈ N; tn este asimptotic nedeplasat d.n.d. lim Bn = 0.
n→∞
iii) tn este absolut corect d.n.d. tn este nedeplasat şi lim D (tn (X1 , . . . , Xn )) = 0.
n→∞
P
iv) tn este consistent d.n.d. tn (X1 , . . . , Xn ) −→ θ.
n→∞
1
v) tn este eficient d.n.d. tn este nedeplasat şi D (tn (X1 , . . . , Xn )) = n·I(θ) , unde
    
∂ ln f (x;θ) 2 ∂ 2 ln f (x;θ)
I (θ) = M ∂θ = −M 2 este informaţia Fisher pentru o probă.
∂θ

Vegheş Ovidiu (email: ovidiuvro2012@gmail.com) C URS 11 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 6 / 13

 Noţiuni fundamentale în statistică Teoria estimaţiei

Teoria estimaţiei - continuare

P
Propoziţie. Dacă n→∞
lim Bn = 0 şi lim D (tn (X1 , . . . , Xn )) = 0, atunci tn (X1 , . . . , Xn ) −→ θ.
n→∞ n→∞
Observaţii. i) Din cele prezentate rezultă că funcţia de estimaţie este de natură teoretică, în
timp ce estimaţia este de natură empirică.
ii) Dacă tn este 
absolut
 corect,
 atunci tn este consistent.
M sX2 = µ2h = σ 2
(

 M X =m
Exemple. i)   2 , ii)
D sX2 = n1 µ4 − n−3

i
µ2 −→ 0
.
 D X = σ −→ 0 n−1 2 n→∞
n n→∞
Deci media de selecţie este un estimator absolut corect al mediei v.a. teoretice, iar
dispersia modificată de selecţie este un estimator absolut corect al dispersiei v.a. teoretice.
Ambii estimatori sunt şi consistenţi (conform propoziţiei).
Observaţie. Există două metode de estimare a parametrilor
- metoda momentelor Karl Pearson (1857-1936)
- metoda verosimilităţii maxime Ronald Aylmer Fisher (1890-1962)

Vegheş Ovidiu (email: ovidiuvro2012@gmail.com) C URS 11 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 7 / 13

 Estimarea parametrilor repartiţiei normale Cuantilele unei variabile aleatoare

Cuantilele unei variabile aleatoare

Definiţie
Se numeşte cuantilă (quantilă, cvantilă) de ordin α ∈ [0, 1] a v.a. X numărul real q pentru care
P (X > q) > 1 − α şi P (X 6 q) > α.

Observaţii. i) q definit anterior se numeşte cuantilă inferioară, în contrast cu cuantilă

superioară, cuantilă bilaterală inferioară sau cuantilă bilaterală superioară.
ii) P (X < q) 6 α 6 P (X 6 q) este o modalitate echivalentă de definire a relaţiilor precedente.
iii) Dacă FX este funcţia de repartiţie a v.a. X , atunci echivalent avem FX (q) 6 α 6 FX (q + 0).
iv) Dacă FX funcţia de repartiţie a v.a. X este egală cu α pe un interval între două valori, atunci
toate valorile din acest interval sunt considerate cuantile de ordin α.
v) Dacă FX funcţia de repartiţie a v.a. X sare de la valori inferioare lui α la valori superioare lui α,
atunci cuantila este unică şi este egală cu punctul de discontinuitate a lui FX .
vi) Dacă FX funcţia de repartiţie a v.a. X este continuă şi strict crescătoare, atunci q este unica
soluţie a ecuaţiei FX (q) = α.
vii) Există situaţii în care se doreşte definirea funcţiei cuantilă (adică să se facă o unică alegere
dacă sunt mai multe valori care îndeplinesc condiţiile). Una din variante este următoarea

inf {x ∈ R | P (X 6 x) > α} , α ∈ (0, 1]
qa = .
sup {x ∈ R | P (X < x) = 0} , α = 0
1
viii) Mediana unei v.a. este quantila de ordin α = 2
. Cvartila (cuartila) inferioară (superioară) a
unei v.a. este quantila de ordin α = 14 (α = 34 ).
Vegheş Ovidiu (email: ovidiuvro2012@gmail.com) C URS 11 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 8 / 13
 Estimarea parametrilor repartiţiei normale Intervale de încredere

Intervale de încredere

Problematică. Uneori se pune problema ca pe baza unei selecţii X1 , . . . , Xn , să găsim un

interval în care parametrul să ia valori cu o anumită probabilitate (apropiată de 1) α numită nivel
de încredere sau coeficient de încredere. Valoarea ε = 1 − α se numeşte nivel sau prag de
semnificaţie. O modalitate de obţinere a unui interval de încredere pentru parametrul θ este
următoarea:
1 Se determină o funcţie (statistică) tn (X1 , . . . , Xn ; θ) cu proprietăţile:
i) este continuă şi strict monotonă în raport cu θ (deci este inversabilă în raport cu θ);
ii) funcţia de repartiţie a variabilei aleatoare tn nu depinde de θ sau de alţi parametri
necunoscuţi.
2 Pentru orice nivel de încredere α fixat, se
determină două numere reale vi,α şi vs,α astfel
încât P vi,α 6 tn (X1 , . . . , Xn ; θ) 6 vs,α = α. Când tn este strict crescătoare în rapor cu θ,
evenimentul vi,α 6 tn (X1 , . . . , Xn ; θ) 6 vs,α este echivalent cu
def. def.
θi = tn−1 X1 , . . . , Xn ; vi,α 6 θ 6 tn−1 (X1 , . . . , Xn ; vs,α ) = θs . Intervalul de încredere (sau


de estimaţie) pentru parametrul θ este [θs , θs ] .

Vegheş Ovidiu (email: ovidiuvro2012@gmail.com) C URS 11 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 9 / 13

 Estimarea parametrilor repartiţiei normale Estimarea prin intervale de încredere a parametrilor repartiţiei normale

Estimarea parametrilor repartiţiei normale

Teorema. Fie 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
Observaţii.
 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 2
 de încredere pentru parametrul
 σ .
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

Vegheş Ovidiu (email: ovidiuvro2012@gmail.com) C URS 11 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 10 / 13

 Estimarea parametrilor repartiţiei normale Aplicaţie numerică

Aplicaţie numerică

Problemă. Se ştie că greutatea unor pachete are o repartiţie normală N (m, σ). Cântărind la
întâmplare 25 de pachete se obţin greutăţile (în kg):
xi 4 5 7 9 10
ni 5 4 7 4 5
Se cere: i) determinaţi media şi dispersia modificată de selecţie;
ii) estimaţi parametri repartiţiei normale printr-un interval de incredere 90%.
Soluţie. i) Avem
ni xi ni · xi xi − x (xi − x)2 ni · (xi − x)2
5 4 20 −3 9 45
4 5 20 −2 4 16
7 7 49 0 0 0
4 9 36 2 4 16
5 10 50 3 9 45
25 175 122

Σni ·xi Σni ·(xi −x )2

Calculăm x = Σni = 175
25 = 7 şi sX2 = = 122
24 = 61
12 .
(Σni )−1

Vegheş Ovidiu (email: ovidiuvro2012@gmail.com) C URS 11 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 11 / 13

 Estimarea parametrilor repartiţiei normale Aplicaţie numerică

Aplicaţie numerică - continuare

X −m 1+α 1+0,9
ii) Dacă X1 , . . . , Xn v.a.i.i. cu X ∈ N (m, σ), atunci T = s ∈ tn−1 . Avem 2 = 2 = 0, 95.
√X
n
Soluţiile ecuaţiilor FT (t24;0,95 ) = 0, 95 şi FT (t24;0,05 ) = 0, 05 ne furnizează cuantilele
t24;0,95 = 1, 710 88 şi t24;0,05 = −t24;0,95 = −1, 710 88.
Avem !
 
s s
P X − t24;0,95 · 5X 6 m 6 X + t24;0,95 · 5X = P −t24,0,95 6 Xs−m X
6 t 24,0,95
5
= FT (t24,0,95 ) − FT (t24,0,05 )
= 0, 95 − 0, 05 = 0, 90.

şi în consecinţă putem afirma că m ∈ [6, 22852; 7, 77148] cu încredere 90%.
(n−1)s2
Dacă X1 , . . . , Xn v.a.i.i. cu X ∈ N (m, σ), atunci U = X ∈ χ2
n−1 . Avem
1−α
= 1−0,9 = 0, 05.
   σ2 2 2
2 2
Soluţiile ecuaţiilor FU χ24;0,05 = 0, 05 şi FU χ24;0,95 = 0, 95 ne furnizează cuantilele
χ224;0,05 = 13, 848 43 şi χ224;0,95 = 36, 415 03.
Avem !
24·s2 24·s2 24·s2
 
P X 6 σ2 6 X =P χ224;0,05 6 X 6 χ2
24;0,95
χ2 χ2 σ2
24;0,95 24;0,05    
= FU χ224;0,95 − FU χ224;0,05
= 0, 95 − 0, 05 = 0, 90.

şi în consecinţă putem afirma că σ 2 ∈ [3, 350 27; 8, 809 67] cu încredere 90%.

Vegheş Ovidiu (email: ovidiuvro2012@gmail.com) C URS 11 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 12 / 13

 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 11 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 13 / 13