Unitatea de învăţare nr.

15*
ELEMENTE DE STATISTICA MATEMATICA

Durata de studiu 2 ore

Cuprins

15.1. Elemente de statistică matematică (S.M.)

15.2. Bibliografie

Obiectivele unităţii de învăţare nr. 15

La finalul unităţii de învăţare veţi fi capabil să ştiţi:

- cum se determină, direct sau indirect “adevărata valoare” a unei mărimi
legată de o experienţă cantitativă, cu ajutorul statisticii matematice.

Notă*: Îi mulțumesc domnului conf. dr. Dinu Tănase pentru suportul de curs pus
la dispoziția mea.
 15.1. Elemente de statistică matematică (S.M.)
Introducere
Orice ramură de ştiinţă experimentală, după ce trece printr-un stadiu de descriere
calitativă, trece la studiul cantitativ al măsurătorilor. În acest stadiu pe lângă
experimentul în sine, un rol important îl joacă evaluarea corectă şi exploatarea cât mai
completă a datelor experimentale obţinute. Problema de bază a unei experienţe
cantitative este de a determina direct sau indirect “adevărata valoare” a unei mărimi.
Riguros vorbind nu putem obţine niciodată adevărata valoare a unei mărimi. Este
cunoscut faptul că repetând o experienţă nu se obţine mereu acelaşi rezultat.
Diferenţele dintre valorile obţinute pot fi mari sau mici după natura experienţei şi
pot fi eventual micşorate dacă are loc o perfecţionare a metodelor folosite. Se
presupune că dacă am continua experienţa în aceleaşi condiţii, rezultatul obţinut ar
varia în vecinătatea unei valori fixe (valoare medie). Aceasta este valoarea considerată
“adevărata valoare”.
Aplicaţie

Se măsoară lungimea unei piese. Se fac 20 măsurări şi se găsesc următoarele valori

1  200,10 8  200,00 15  200,15
2  200,00 9  200,15 16  199,85
3  199,85 10  199,80 17  200,20
4  200,15 11  199,95 18  200,10
5  199,95 12  200, 20 19  199,95
6  199,90 13  200,15 20  200,25
7  200,35 14  199,95

Folosind media aritmetică se poate considera că “adevărata valoare” a lungimii

barei este dată de media aritmetică a valorilor din tabel
 x
n

200,1  ...  200,25 i

x =  i 1
 200,05 .
20 n
Pentru a preciza mărimea erorilor făcute la măsurări calculăm şi dispersia

 (x
n
 x) 2
. Pentru exemplul dat  2 = 0,0225, sau abaterea medie pătratică
i
2  i 1

n
 = 0,15 mm. Pentru a putea trage concluzii asupra problemei concrete, datele
trebuie sistematizate şi caracterizate

199,80 199,85 199,90 199,95 200 200,05 200,1 200,15 200,2 200,25 200,35
1 2 1 4 2 0 2 4 2 1 1

În rezolvarea problemei propuse, de a determina “adevărata valoare” a unei

caracteristici, am fost conduşi prin prelucrarea şi sistematizarea datelor obţinute
experimental la introducere următoarelor elemente :
1) tabel de repartiţie a datelor;
2) valoarea medie;
3) dispersia sau abaterea medie pătratică.
Deci, exemplul dat, arată că statistica matematică (S.M.) se ocupă cu determinarea
legilor de repartiţie al diferitelor caracteristici determinate experimental. Este clar că
atunci când vrem să determinăm experimental o anumită caracteristică, nu vom putea
continua experimentul la infinit şi că va trebui să ne bazăm pe concluziile pe un
număr finit de rezultate pe care le putem obţine.
Un al doilea tip de probleme de care se ocupă S.M. se referă la “estimarea
parametrilor cunoscuţi” ai diferitelor legi de repartiţie.
Un al treilea tip de probleme rezolvate de S.M. este strâns legată de prima şi anume
trebuie să hotărâm dacă rezultatul experimental contrazice sau nu anumite valori
prevăzute teoretic.
Experienta este folosită pentru “ verificarea ipotezelor statistice”.
Deci, S.M. arată că rezultatul unei experienţe nu este unic determinat prin procedeul
experienţei, el este influenţat şi de elementele întâmplătoare. Se poate spune că
rezultatul experienţelor este o variabilă aleatoare.
 Cum teoria probabilităţilor este disciplina care studiază legile privind fenomenele
sau evenimentele întâmplătoare, ea va fi şi aceea care va fundamenta metodele S.M. şi
aplicarea lor. Ea este esenţialmente inductiva, argumentând din observarea unui
eveniment, înapoi către ipoteze.
Argumentările se bazează pe teoria probabilităţilor care o fundamentează.

Noţiuni de bază ale S.M.

S.M. se ocupă cu gruparea, analizarea şi interpretarea datelor referitoare la un
anumit fenomen precum şi cu unele previziuni privind producerea lui viitoare.
În cadrul analizei statistice a unui fenomen, acţionează mai întâi statistica
descriptivă care se ocupă de culegerea datelor asupra fenomenului respectiv şi cu
înregistrarea acestor date, apoi intervine statistica matematică care grupează datele,
apoi le analizează şi le interpretează în vederea unor predicţii prvind compararea
viitoate a fenomenului.
Definiţia 1
Vom numi populaţie (colectivitate) statistică o mulţime de obiecte sau fenomene,
calitativ omogene formând pe această ansambluri sau sisteme de acelaşi tip.
Definiţia 2
Elementele unei colectivităţi se numesc unităţi statistice.
Definiţia 3
Una din însuşirile cantitative sau calitative comune tuturor unităţilor statistice unei
populatii care este supusă cercetării se numeşte caracteristică.
Definiţia 4
O caracteristică se numeşte cantitativă dacă se poate măsura şi calitativă în caz
contrar.
Definiţia 5
O caracteristică este discretă dacă poate lua numai valori discrete. O caracteristică
este continuă dacă poate lua orice valoare dintr-un interval dat.

Gruparea datelor
Pentru a obţine informatii mai complete şi mai uşor de citit este necesar să facem o
grupare a acestor date. O primă posibilitate de grupare este aceea de a ordona
crescător sau descrescător valorile obţinute, iar într-o coloană să fie trecute numărul
de operatii. Exemplul dat la început ne conduce la următoarea concluzie.
Barele care au lungimea l < 200, sunt rebuturi irecuperabile.
Barele care au lungimea l[200, 200,1], sunt bune.
Barele care au lungimea l > 200,15, sunt rebuturi recuperabile.
Analizând acest tabel în raport cu o singură caracteristică care conduce la o serie de
perechi de valori pe care o vom numi-o serie statistică.

Observaţie
În cazul în care numărul de elemente din seria statistică este foarte mare, atunci are
loc o nouă grupare în clase. Intervalele care reprezintă clasele se aleg de obicei de
aceeaşi valoare.
Definiţia 6
Vom numi “grupare statistică”, operaţia de prelucrare a datelor statistice prin care
valorile observate se repartizează reprezentată pe intervalele date de obicei egale.
Definiţia 7
Vom numi valoare centrală (xc) a unei serii statistice numărul
xmax  x min
xc = .
2
Definiţia 8
Vom numi clasă (grupă), mulţimea valorilor observate care se găsesc în limitele
unui interval dat şi vom numi amplitudinea clasei (a), diferenţa între limita inferioară
a clasei vecine superioară şi limita inferioară a clasei considerate.
Definiţia 9
Vom numi efectivul total al unui colectivităţi, numărul tuturor elementelor acestei
colectivităţi.
Definiţia 10
Vom numi frecvenţă absolută (ni), numărul total al unităţilor care aparţin unei
clase.
Observaţie
Suma frecvenţelor absolute = efectivul.
 Definiţia 11
Vom numi frecvenţă relativă (fi), raportul dintre frecvenţa absolută şi efectivul

f
ni
total , adică fi = . Deci  1.
n
i

În cazul caracteristicilor cantitative rezultă că avem o corespondenţă între două

mulţimi : mulţimea valorilor caracteristice şi mulţimea frecvenţelor corespunzătoare.
 xi 
Rezultă un tabel de distribuţie al unei variabile aleatoare de forma X :   ,
 pi 
ni
Unde pi = fi = şi deci studiul ei se face cu ajutorul teoriei probabilităţilor.
n
Reprezentarea grafică a seriilor statistice
Se numeşte reprezentare grafică a unei repartiţii statistice, reprezentarea seriilor de
date statistice prin figuri naturale şi simboluri grafice (diagrame) în sensul evidenţierii
caracteristicilor fenomenelor.
Aceste reprezentări sunt foarte sugestive, contribuind la o primă interpretare
intuitivă. De multe ori reprezenarea grafică sugerează însăşi legea pe care o urmează
fenomenul sudiat. Reperul utilizat este cel cartezian (rectangular).
Prezentăm mai jos câteva tipuri
de diagrame şi grafice folosite f
1) Diagrama de puncte.
Reprezintă cea mai simplă a unei
M2
f2
repartiţii de frecvenţe se obţine
M3
figurând punctele Mi(xi, f i) sau f3

Mi(xi, ni). fn Mn

Pe abscisă se trec valorile x1, ... , f1 M1

xn iar pe ordonată valorile f1, f2, ... ,fn

x
sau n1, n2, ... ,nn. x1 x2 x3 xn

2)Poligon de frecvenţă f
– se obţine din diagrama de
puncte prin unirea punctelor
Mi şi Mi+1 cu un segment de f2 M2
Mn-1
f3 M3
fn ...
Mn
M1
f1

x
x1 x2 x3 xn
dreaptă. Se obţine graficul poligonal de frecvenţă.
3) Reprezentarea în batoane – se foloseşte atunci când variabilele ia un număr
mic de valori şi se obţine tot din diagrame de puncte ridicând perpendiculare în
punctele xi de lungimi egale cu frecvenţele fi.
4)Histograme
Se formează dreptunghiuri cu înălţimea fi şi de bază egală cu (xi+1 – xi).

Teoria sondajului şi estimaţiei

În general când se studiază o populaţie nu se fac măsurători asupra numărului total
al indivizilor ce o alcătuiesc, ci doar asupra unei părţi din populaţie, adică asupra unei
selecţii. Această submulţime a unei populaţii statistice originale se mai numeşte
eşantion sau probă de sondaj.
Pentru ca estimatia să fie concretă, trebuie ca selecţia să fie reprezentativă, adică
elementele să fie suficient de multe şi să fie selectate întâmplător.
Sondajul să fie simplu şi secvenţial. Simplu este când fiecare element are aceeaşi
probabilitate de a fi ales ca probă. Secvenţial este când se face în mai multe etape.
Corectitudinea datelor obţinute depinde de corectitudinea efectuării selecţiei. De
reţinut că selecţiile nu pot fi decât discrete indiferent de caracteristica fenomenului
studiat.

Parametrii statistici de sondaj ai tendinţei centrale

1)Media de sondaj (media de selecţie) este x =   xi  n .

 n 
 i 1 
În cazul valorilor observate aranjate în ordine crescătoare sau descrescătoare în care
cunoaştem frecvenţele absolute sau relative avem

  ni  xi    f i  xi .
1 n  n
x =
n  i 1  i 1

  ni  x'i    f i  x'i ,
1 n  n
În cazul valorilor grupate în K clase avem x =
n  i 1  i 1
unde x’i fiind valoarea centrală a clasei din care face parte xi.
2) Media geometrică de sondaj (simplă) x g  n x1  x2  xn .

 (x )
k
3) Media geometrică de sondaj ponderată x g  n i
ni
.
i 1

4) Mediana de sondaj Me este valoarea pentru care frecvenţa valorilor mai mici decât
ea este egală cu frecvenţa valorilor mai mici decât ea.
a) În cazul valorilor observate sunt aranjate în ordine crescătoare sau descrescătoare
şi dacă n este impar, atunci Me = x n 1 .
2

xn  xn
1
b) În cazul când n este par, atunci Me = 2 2

2
c) În cazul valorilor observate grupate în clase, atunci valoarea medianei se determină
F
 Fi0
prin interpolare liniară în cadrul intervalului median Me = xi0  a  2 ,
ni

unde x i0 este limita inferioară a intervalului, ni frecvenţa absolută corespunzătoare

intervalului median, F este frecvenţa cunoscută pe întreaga repartiţie, iar Fi0 este

frecvenţa cumulată până la intervalul median, a este mărimea intervalului de grupare.

Observaţie
Dintre toţi parametrii tendintei centrale, media aritmetică este cel mai bun
parametru pentru a exprima tendinţa centrală a acestui fenomen.

Parametrii statistici de sondaj ai variabilităţii (împrăştierii)

În afară de tendinţa de centrare, este necesar să cunoştem întro distribuţie statistică
şi gradul în care ei se îndepărtează de această valoare, adică să cunoaştem
împrăştierea valorilor seriei în jurul tendinţei centrale(valorii medii)
1) Amplitudinea de sondaj (R), unde R = xmax – xmin şi reprezintă diferenţa între cea
mai mare valoare şi cea mai mică.
2) Dispersia de sondaj (s2) reprezintă cel mai important indicator al împrăştierii
  (x
n

i  x) 2
s2 = i 1
, iar în cazul grupării în clase avem
n

 n (x
n
 x) 2
n
i i k
s2 = i 1
, unde  n.
n
i
i 1

 n (x
n

i i  x) 2
3) Abaterea medie pătratică de sondaj (s) este s = s2 = i 1
.
n

Parametrii statistici de sondaj ai caracteristicilor formei

Principalii parametrii sunt :
1) Momentul de sondaj de ordin r sunt:

  xi  ;
1 n r 
a) M r 
n  i 1 

  xi  , momentul absolut de ordin r;

1 n r 
b) M r 
n  i 1 

  ( xi  x) r  .
1 n 
c) Momentul centrat de sondaj de ordin r este  r 
n  i 1 
Observaţie
Momentele de ordin par ca şi dispersia sunt o măsură a împrăştieri valorilor.
Momentele de ordin par mai mari ca 2, scot în evidenţă mai bine dispersia abaterilor
extreme şi deci pot fi folosite pentru aprecierea boltirii (gradului de turtire) unei curbe
de distribuţie.
2) Coeficientul de boltire (  2) este un indicator al gradului de înclinare a pantei unei

4
curbe a densităţii de repartiţie în vecinătatea modulului definit de  2  ,
(s 2 ) 2

unde  4 şi s2 sunt momente centrate de ordin 4 şi 2.

În cazul unei repartiţii normale rezultă  2 = 3.
3) Exces (E) este definit de E =  2 – 3.
 Dacă E  0, atunci curba se apropie de curba normală (caracterizează normalitatea
repartiţiei).
Dacă E > 0, rezultă că dispersia repartitiei curbei normale este mai mică decât cea a
repartiţiei normale, adică curba este mai ascuţită decât cea normală.
Dacă E < 0 rezultă curba este mai turtită

Verificarea ipotezelor statistice

S–a arătat că metoda prin care obţinem informaţii asupra unei populatii statistice
este metoda selecţiei. Cu ajutorul eşantionului extras dintr-o populaţie, estimăm
parametrii populaţiei respective care ne dau anumite indicaţii asupra colectivităţii
studiate. Parametrii de selecţie sunt şi ei variabile aleatoare. De asemenea este
important de ştiut care este curba teoretică care aproximează cel mai bine datele
experimentale obţinute. Problema care se pune este ca din datele experimentale
obţinute care definesc distribuţia empirică să deducem cu o precizie cât mai mare
distribuţia teoretică atunci când aceasta este cunoscută. De exemplu un grafic sub
formă aproximativă de clopot cu tendinţă de simetrie, sugerează o lege normală.
 15.2. BIBLIOGRAFIE

1. Dinu, T. – “Matematici speciale”, vol.1,2,3, Editura

Universitaţii din Ploieşti, 2004,2005,2006.

2. Livovschi, L., – “Matematici speciale” (Exerciţii şi probleme),

Mihnea, G. Bucureşti, 1982 .

3. Predeleanu, M. – “Matematici superioare”, Editura Didactică şi

Dobrescu-Purice, L. Pedagogică, Bucureşti, 1970.

4. Rudner, V., şi – “Probleme de matematici speciale”, Editura

Nicolescu, C Didactică şi Pedagogică, Bucureşti, 1982.

5. Şabac, I. –“Matematici speciale”, Editura Didactică şi

Pedagogică, Bucureşti, 1981.
6. Stoian, Gh., şi – “Culegere de probleme de funcţii complexe”,
Mocanu, Gh., E. D. P. , Bucureşti, 1970.
Vişinescu, Ecat.

7. Trandafir, R. – “Matematici pentru ingineri (Culegere de

probleme)”, Editura Tehnică, Bucureşti,1969.

8. Colectiv Cat. Mat, – “Matematici speciale”, Editura I.P.G. Ploieşti,

1988.

9. Colectiv [Link]. – “Culegere de probleme de Matematici

speciale”,Editura I.P.G. Ploieşti,1988.