STATISTICA APLICATA IN INGINERIA MEDIULUI

1. Functii de variabile aleatoare

Se pune problema: (P o X este o variabila aleatoare? Daca da, atunci ce relatie
exista între functia de repartitie a variabilei aleatoare X, notata F „ si functia de
repartitie a variabilei aleatoare (P o X, notata F' ?
Propozitia 2.7.1. Daca functia (P este continua si strict crescatoare pe I atunci
aplicatia (2.7. I) este o variabila aleatoare si, pentru orice y e R, are loc egalitatea:

(2.7.2) Demonstratie. Fie y GR . Deoarece (P este continua strict crescatoare

pe I avem:
Prin urmare, X Q este o variabila aleatoare. Din (2.7.3) din definitia functiei de
repartitie rezulta egalitatea (2.7.2), pentru orice y G R
Propozitia 2.7.3. Fie X : Q + R o variabila aleatoare, I CR fie (P : I-+R cu (PO) =
J . Daca:
1) functia de repartitie F este derivabila cu derivata continua pe Int I.,
 2) (P este derivabila cu derivata continua si pozitiva pe Int I atunci densitatea de
repartitie a variabilei aleatoare (P o X s. Q R este data de: do-l (Y)
(2.7.7) dy pentru orice y e Int J
Demonstratie.
Din ipoteza 2) rezulta ca (p o X : Q ---> R este o variabila aleatoare, conform
propozitiei 2.7.1.
Fie (a, b) = Int I . Avem:
i) O, pentru x < a ; ii) I , pentru x > b (2.7.8) dFx(x) iii) Cix
Tinând cont de ipoteze, din (2.7.2) rezulta: f(Pox (Y) fx (PA do-l(y) dy pentru
orice y e J
Aratati ca (P ox este o variabila aleatoare, determinati F
Solutie:
Avem I = Functia (P : I + R, x cu (PO) = J = (0, T). (P este derivabila pe I cu
derivata:
dcp(x) 1 (2.7.13)
Continua si pozitiva pe I. Rezulta ca (P OX este o variabila aleatoare si are
densitatea de repartitie data de (2.7.7). Deoarece: (2.7.14) cu y > 0, obtinem:
(2.7.15)
tinând cont de (2.7. Il) rezulta ca densitatea de repartitie a variabilei aleatoare este

(2.7.16)
Aratati ca (p o X = 2 • I , X 2 este o variabila aleatoare si determinati densitatea ei
de repartitie.
Solutie.
Functiile (2.•7.19) definesc o transformare regulata de la D = R x R* la D.
Functiile (2.7.19) admit derivate partiale de ordinal intai este diferit de zero pe D.
Prin ıırmare, (2.7. 19) este o transformare regulata în orice pıınct din D. În plus, (P
este o obiectie de la D la D. Conform propozitiei 2.7.5. i) rezıılta ca este o
variabila aleatoare. Nothm yı (Pİ (XI, x), _Y2 z: Din
xı (2.7.19) obtinem 2 yı G R , GR
Densitatea de repartİ!İe a varİabİlei aleatoare (P o X se obtine aplicând (2.7.17):
fpox(Y17Y2)-
PropoziÇia 2.7.6. Fie (1
8

x
o variabila aleatoare vectoriala cu X(Q) D un domeniu din İRİ), având densitatea
de repartitie si nııla pe DC.
Variabila aleatoare YIX
Pentru X = —l determinäm repartitia variabilei aleatoare Y lx —l . Avems
= 01X -1)
= 11X = -l)
si deci (Ylx = -l)
Pentru X = O determinam repartitia variabilei aleatoare YIX 0 Avem: = 01X = O)

= 11X = O)- = O) 7
p(x deci (Ylx=o)•
Propozitia 2,803. Daca vectorul aleator (X,Y) are densitatea de repartitie, atunci
functia de repartitie a variabilei aleatoare " X conditionatä de B", notatá
FXIY(XIY), este data de:
ffx Y(u, Y)- du
x e R , y e Int i (2.8.11) i) iar densitatea de repartitie, notata fxly(xly), este data
de: fx
fxly(xly)— fy(y) x e l, y e IntJ (2.8. I l) ii)
Demonstratie.
Aplicând (2.8.7)
F
xIB
Deoarece: [y,y + dy)) = fy(y)• dy si
x, Y(o) G [y, y + [y, y cly))• du
ffx Y(u, y), du • dy
• dy se obtine (2.8.11) i. Derivând în raport cu x în ambii membrii ai egalitátii
(2.8.11) i se obtine (2.8„11) ii.
Propozitia 2.8.4. Daca vectorul aleator (X Y) are densitatea de repartitie (0 1
[x,x+dx)} atunci functia de repartitie a variabilei aleatoare " Y conditionata
de B", notata
y GR, x e Intl (2.8.12) i) iar densitatea de repartitie, notata (ylx), este data de:
fylx y e J, x G Intl (2.8.12) li)
Demonstratie. Se procedeazä ca la propozitia 2.8.3.
Observatia 2.801. Notatia " XIY " (variabila aleatoare Y conditionata de variabila
aleatoare X) trebuie înteleasa în sensul ca pentru orice y G Int J se poate considera
evenimentul B = [y, y + variabila aleatoare XIB definita de (2.8.1).
La fel, în cazul notatiei " YIX" (variabila aleatoare X conditionata de variabila
aleatoare Y) trebuie Sa întelegem ca pentru orice x e Int I se poate considera
evenimentul B = [x, x + 9i variabila aleatoare YIB în sensul definitiei (2.8. l).
Momente initiale
Odata cu variabila aleatoare X : cu functia de repartitie F(x), x e R sa consideram
si variabila aleatoare Y = X , k e N
Definitia 3.2.1. Numim moment initial de ordinul k al variabilei aleatoare X
numarul: = fx k •dF(x), ke (3.2.1) daca integrala Stieltjes din membrul al
doilea este convergenta.
Din aceasta definitie rezulta ca momentul initial de ordinul k ( k e IN* ) al
variabilei aleatoare X este media variabilei aleatoare = X x k • dF(x) (3.2.2)
Evident, M xk se exprima sub una din formele:
= Xi), daca X este discreta dx, daca X este coptinua (323)
Definitia 3.202.
Numim moment initial absolut de ordinul k media wiabilei aleatoare X , notat prin
urmare:
M(lxkl) flx k •dF(x)
(3.2.4)
daca integrala Stieltjes din membrul al doilea este convergenta.
Propozitia 3.2.1. Daca exista M Xk, atunci exista si M X) si are loc inegalitatea:
M(xk < M xkl)
(3.2.5)
Demonstratie.
Din ipoteza rezulta ca integrala flxk • dF(x) este convergenta. Din inegalitatea j xk
• dF(x xk • dF(x) rezulta existenta momentului
IR initial dg ordinul k al variabilei aleatoare X precum inegalitatea din enunt.
Egalitatea (3.4.2) exprima faptul cá dispersia variabilei aleatoare X este media
pätratului abaterii fatä de medie.
Din (3.4.2) din proprietätile mediei se obtine egalitatea:
(3.4.3)
numita "formula uzuala" de calcul a dispersiei ce permite calculul dispersiei în
functie de momentele initiale de ordinul unti si de ordinul doi.
Din definitia 3.4.1 rezulta ca dispersia unei variabile aleatoare exprima masura în
care valorile variabilei aleatoare se abat de la valoarea ei medie. Dezavantajul pe
care îl prezintä acest indicator consta în faptul ca el se exprima în patratul unitatii
de masura corespunzatoare variabilei aleatoare. De aceea se introduce un alt
indicator care evita acset neajuns.
Definitia 3.4.20 Numim "abatere medie patratica" a variabilei aleatoare X, notata
sau simplu o, numarul: D2(x) (3.44)
Definitia 3.4.3. Numim "normala" orice variabila aleatoare cu media egala cu zero
si dispersia egala cu unu.
Functia caracteristica
Fie (Q, K, p) un câmp borelian de probabilitate si X : Q -->R o variabila aleatoare
cu functia de repartitie F(x), x GR . Notam C multimea numerelor complexe cu 1.2
—l conjugatul lui z GC.
Definitia 4.1.1. Aplicatia (P : R) definitä prin: M(el X dF(x) se numeste "functia
caracteristica a variabilei aleatoare X.
Propozitia 4.1.1. Functia caracteristica (P(t), t e R a variabilei aleatoare X verifica
urmatoarele proprietati:
ii) Icp(t) I oricare ar fi t e R ,
iii) iv) cp este uniform continua pe R.
Propozitia 4.104.
Daca variabila aleatoare X are momentul initial absolut de ordinul k finit atunci: d
SQ(t) zi S .rvı xS , s z ı,k (4.1.15) dts
Demonstratie. Derivând de s ori în raport cu (4. I. I ) ambiİ membri ai egalitatii: J
el t x • dF(x)
obîinem:
dts •s • x •dF(x) (4. l. 16)
Integrala din membrul al doilea flind absolut convergentd pentrıı s z l, k
rezulta ca exista pentru orice s 1, k . În plus, pentrıı t —0 se obtine dts egalitatea
(4. I , 15).
Observatia 4.1.2. Din (4. I. 15) rezulta ca determinarea momentelor initiale de
diferite ordine ale variabilei aleatoare X se reduce la operatia de derivare a functiei
ei caracteristice.
Corolarul 4.1.1. Daca variabila aleatoare X admite momente initiale de orice ordin
atunci

(4.1.17)
pentru orice it din intervalul de absolut convergenta a seriei din membrul al doilea.
Demonstratie. Seria Mac Laurin asociata functiei (P este:

(4.1.18)
Suma seriei (4. l. 18) este egala cu (PN (t) pentru orice t din intervalul de absolut
convergenta.
Dam fara demonstratie urmatoarele teoreme:
Teorema 4.1.1. (Teorema de inversiune) Dacä (P : R -—>C este functia
caracteristica a variabilei aleatoare X cu functia de repartitie F(x), x e R atunci,
oricare ar fl punctele XI < x2 de continuitate ale lui F, are loc egalitatea.

F(X2)- • dt (4.1.19)
Teorema 4.1.2. (Teorema de unicitate) Functia caracteristica determina în mod
unic functia de repartitie.
Teorema 4.1.3. Daca functia caracteristica o: R + R este absolut integrabila pe R

atunci: 2•7t
l . ELEMENTE DE TEORIA SELECTIEI
1.1. Orice cercetare statistica are drept punct de plecare o colectivitate sau
populatie alcatuita din elemente sau indivizi ce au în comun o caracteristica
generala care se diferentiaza prin valori diferite sau atribute.
Elementele colectivitatii (populaliei) le vom numi unitati. Când se face studiul
unei colectivitati cel mai adesea suntem nevoiti sa ne limitam strict la o parte finita,
bine determinata din colectivitate. Ca atare, se pune, în mod natural, întrebarea
daca concluziile pe care le tragem concorda cu rezultatul pe care l-am obtine
studiind întreaga colectivitate. Apare problema studiului modului in care valorile
tipice (care stau la baza concluziilor) ale colectivitatii studiate, pot furniza
informatii asupra valorilor tipice ale întregii colectivitati.
Vom presupune, în cele ce urmeaza, ca urmarim o anumita caracteristica a
colectivitatii generale ca aceasta caracteristica este descrisa de o variabila aleatoare
X definita pe un câmp de probabilitate { OK, p în care elementele multimii Q sunt
tocmai elementele colectivitatii generale, K este un corp borelian de parti ale lui
Q, iar P este o probabilitate definita pe K.
Dupa cum se stie, daca Q este finita, atunci K coincide cu multimea partilor lui Q,
iar P este o repartitie discreta pe Q.
Faptul ca suntem obligati sa cercetam numai o anumita parte din populatie este
impus de natura concreta a colectivitatii. Astfel, daca numarul elementelor
populatiei este infinit, în mod necesar vom cerceta doar un numar finit de unitati si
drept urmare vom obtine o informatie trunchiata.
Chiar în cazul în care numarul unitatilor populatiei este finit, atunci când cercetarea
calitatii unitatilor conduce la distrugerea lor (exemplul unui lot de conserve
îmbuteliate) evident ca se impune alegerea unui numar finit pentru cercetare.
Daca vom tine cont si de faptul ca orice cercetare implica si anumite cheltuieli,
rezulta clar ca suntem obligati sa cercetam numai o parte din întreaga colectivitate.
Vom numi selectie (esantion) o colectivitate partiala de elemente (unitati) luate la
întâmplare. Numarul elementelor dintr-o selectie îl vom numi volumul selectiei.
Vom spune ca o selectie este repetata daca elementul luat la întâmplare este
reintrodus în colectivitatea generala, înainte de efectuarea urmatoarei extrageri.
Selectia se va numi nerepetata daca elementele extrase la întâmplare nu se mai
introduc în colectivitatea generala.
Momente de selectie
Pintre cele mai importante caracteristici numerice de selectie se afla momentele de
selectie. Acestea sunt în realitate functii de selectie, cu care se opereaza atunci
când nu se cunoaste legea de repartitie a variabilei aleatoare X, din care s-a
prelevat selectia.
Definitia 1.2.1. Daca X1, este o selectie de_volum n, atunci vom numi moment de
selectie de ordin r, pe care-l vom nota Mr , expresia.
Se întelege cä Mr este o variabilä aleatoare. Pentru r —l se obtine media de
selectie:
Mi = X
In practica, calculul momentelor de selectie se face adesea pentru observaiii
grupate, toate valorile dintr-un interval fiind înlocuite cu mijlocul intervalului. Este
evident ca valorile momentelor astfel calculate sunt afectate de anumite erori.
Corectiile care trebuie aduse momentelor centrate brute pentru a obline momentele
centrate ajustate sunt cunoscute sub numele de corectiile lui Sheppard:
In unele cazuri particulare repartitia mediei de selectie poate fi precizata pentru
valorile finite ale lui n. Avem, de exemplu, urmatoarea teorema:
TEOREMA 3. Daca apartine clasei N(m, 5), media de selectie apartine clasei N m

Momente de selectie momente centrate de selectie de ordin superior

09 — n,

suma fiind extinsa la toti indicii Jl, J2, . . . , Jlc, întregi pozitivi sau nuli care
verificä conditia notand

TEOREMA 4. Dacã exista valorile IV/( I otr—wr |

3)' atunci variabila aleatoare

TEOREMA 1 . Media de selectie pentru selectiile nerepetate este o functie de
estimatie absolut corecta pentru media teoretica m.

Se poate arata printr-un calcul simplu ca .s2=M

TEOREMA 2. Avem relatiile
 unde
Aceasta teorema ne arata ca E(l) ã(2) sunt functii de estimatie absolut corecta ale
mediilor teoretice ml rn2.
Teoria estimatiei
In unele aplicatii ale statisticii matematice, in tehnica sau stiintele experimentale,
exista motive teoretice pentru a putea admite ca repartitia fenomenului care ne
intereseaza este data de o functie cunoscuta in care intra anumiti parametri cu
valori necunoscute. Pentru aplicatii practice nu ne putem insa mullumi numai cu
atat ci trebuie sa cunoastem repartitia exacta, cu alte cuvinte trebuie sa determinam
valorile numerice ale parametrilor. Determinarea valorilor numerice ale
parametrilor unei repartitii specificate se face folosind rezultatele a n experiente
(independente sau nu) care ne conduc la valorile 1, xn pentru caracteristica studiata
E. Aici consideram numai cazul experientelor independente, deci folosim numai
selectiile repetate. In primele patru paragrafe ale acestui capitol studiem estimatia
punctuala, iar ultimul paragraf este consacrat estimatiei prin intervale.
Functii de estimatie
Este important sa stim daca printre functiile de estimatie absolut corecte ale
parametrului 9 exista una avand dispersia cea mai mica. Vom demonstra Teorema
1.

Egalitatea are loc numai in cazul in care ln f(x, 0) are forma parliclllard

Inf(x,
Selectiii repetate pentru o caracteristica normal
Caracteristici unidimensionale
ln acest punct revenim la selectiile repetate, studiem cazul important in care
caracteristica apartine clasei N(m, 6). Prin urmare pentru o selectie de volum n,
variabilele aleatoare independente au fiecare repartitie normala cu media dispersia
62.
ln practica, acest caz este foarte întîlnit. Este suficient sa ne gandim ca erorile de
observatie la diferitele masuratori se distribuie dupa legea normala.
Caracteristici multidimensionale

Daca este o caracteristica vectoriala cu repartitia normala si

dimensionala cu densitatea de probabilitate

atunci o selectie repetata de volum n Ę2k' • se

caracterizeaza prin aceea ca variabilele 51 , . . ., sunt independente si au aceeasi
repartitie ca Ę.
Teoria estimatiei
In unele aplicatii ale statisticii matematice, in tehnica sau stiintele experimentale,
exista motive teoretice pentru a putea admite ca repartitia fenomenului care ne
intereseaza este data de o functie cunoscuta în care intra anumiti parametri cu
valori necunoscute. Pentru aplicatii practice nu ne putem însa multumi numai cu
atat, ci trebuie sa cunoastem repartitia exacta, cu alte cuvinte trebuie sa
determinam valorile numerice ale parametrilor.
Functii de estimatie
Fie f(x, 9) o familie de densitati de probabilitate ale unei repartitii specificate
continue, 9 fiind un parametru real. Este important sa stim daca printre functiile de
estimatie absolut corecte ale parametrului 9 exista una avand dispersia cea mai
mica.
Teoria estimatiei pentru familiile de repartitii cu mai multi parametric
Metoda verosimilitatii maxime revine la considerarea densitatii de probabilitate
n

11 f(Xi; O

2. Teoria estimatiei pentru eateva familii de repartitii

Repartitia binomiala

Ecuatia verosimilitatiii maxime ne da

— ln qn

ðp n n