Cuprins

1 COMPLEMENTE DE ANALIZĂ MATEMATICĂ 1

1.1 Obiective . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Noţiunea de funcţie . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Derivata unei funcţii . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Interpretarea geometrică a derivatei . . . . . . . . . . . . . . . 4
1.5 Tabloul derivatelor . . . . . . . . . . . . . . . . . . . . . . . . 5
1.6 Proprietăţi ale funcţiilor derivabile . . . . . . . . . . . . . . . 7
1.6.1 Extreme locale . . . . . . . . . . . . . . . . . . . . . . 7
1.7 Studiul funcţiilor cu ajutorul derivatelor . . . . . . . . . . . . 8
1.7.1 Intervale de monotonie ale unei funcţii . . . . . . . . . 8
1.7.2 Test de autoevaluare . . . . . . . . . . . . . . . . . . . 9
1.7.3 Concavitatea şi convexitatea funcţiilor . . . . . . . . . 10
1.7.4 Asimptote . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.8 Reprezentarea grafică a funcţiilor . . . . . . . . . . . . . . . . 14
1.9 Funcţii de mai multe variabile . . . . . . . . . . . . . . . . . . 16
1.9.1 Noţiuni de bază . . . . . . . . . . . . . . . . . . . . . 16
1.10 Derivate parţiale . . . . . . . . . . . . . . . . . . . . . . . . . 17

1
2 CUPRINS

1.11 Extremele locale ale funcţiilor de mai multe variabile . . . . . 19

1.11.1 Test de autoevaluare . . . . . . . . . . . . . . . . . . . 23
1.12 Bibliografie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.13 Probleme propuse . . . . . . . . . . . . . . . . . . . . . . . . . 24

2 NOŢIUNI DE CALCULUL PROBABILITĂŢILOR 27

2.1 Obiective . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2 Noţiuni de bază. . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3 Probabilitate. Proprietăţi. . . . . . . . . . . . . . . . . . . . . 30
2.3.1 Test de autoevaluare . . . . . . . . . . . . . . . . . . . 33
2.4 Scheme clasice de probabilităţi. . . . . . . . . . . . . . . . . . 34
2.4.1 Schema lui Poisson. . . . . . . . . . . . . . . . . . . . . 34
2.4.2 Schema lui Bernoulli (binomială). . . . . . . . . . . . . 36
2.4.3 Schema bilei nerevenite. . . . . . . . . . . . . . . . . . 37
2.4.4 Test de autoevaluare . . . . . . . . . . . . . . . . . . . 38
2.5 Variabile aleatoare. . . . . . . . . . . . . . . . . . . . . . . . . 39
2.5.1 Definiţie. Operaţii. . . . . . . . . . . . . . . . . . . . . 39
2.5.2 Operaţii cu variabile aleatoare. . . . . . . . . . . . . . 40
2.5.3 Funcţia de repartiţie a unei variabile aleatoare. . . . . 41
2.5.4 Densitatea de probabilitate (densitatea de repartiţie)
a unei variabile aleatoare. . . . . . . . . . . . . . . . . 43
2.6 Repartiţii clasice. . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.6.1 Repartiţii clasice discrete. . . . . . . . . . . . . . . . . 48
2.6.2 Repartiţii clasice continue. . . . . . . . . . . . . . . . . 50
2.7 Caracteristici numerice ale variabilelor aleatoare. . . . . . . . . 51
2.7.1 Valoarea medie (speranţa matematică). . . . . . . . . . 51
CUPRINS 3

2.7.2 Dispersia unei variabile aleatoare. . . . . . . . . . . . . 53

2.7.3 Abaterea medie pătratică a unei variabile aleatoare. . . 55
2.8 Calculul caracteristicilor numerice ale principalelor repartiţii
clasice. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.8.1 Repartiţia Poisson. . . . . . . . . . . . . . . . . . . . . 56
2.8.2 Repartiţia binomială. . . . . . . . . . . . . . . . . . . . 57
2.8.3 Repartiţia normală. . . . . . . . . . . . . . . . . . . . . 58
2.9 Test de autoevaluare . . . . . . . . . . . . . . . . . . . . . . . 58
2.10 Bibliografie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.11 Probleme propuse. . . . . . . . . . . . . . . . . . . . . . . . . 60

3 ELEMENTE DE STATISTICĂ BIOLOGICĂ 69

3.1 Obiective . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.2 Noţiuni de bază. . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.3 Modul de prezentare a datelor statistice. . . . . . . . . . . . . 72
3.4 Indicatori ai repartiţiilor de frecvenţe. . . . . . . . . . . . . . . 81
3.4.1 Indicatori de poziţie. . . . . . . . . . . . . . . . . . . . 82
3.4.2 Indicatori ai variaţiei. . . . . . . . . . . . . . . . . . . . 88
3.5 Test de autoevaluare . . . . . . . . . . . . . . . . . . . . . . . 93
3.6 Elemente de teoria estimaţiei. . . . . . . . . . . . . . . . . . . 94
3.6.1 Intervalul de ı̂ncredere al mediei unei populaţii repar-
tizate normal. . . . . . . . . . . . . . . . . . . . . . . . 97
3.7 Verificarea ipotezelor statistice. . . . . . . . . . . . . . . . . . 101
3.7.1 Ipoteze statistice şi testele lor de verificare. . . . . . . . 101
3.7.2 Testul u. . . . . . . . . . . . . . . . . . . . . . . . . . . 102
3.7.3 Testul t. . . . . . . . . . . . . . . . . . . . . . . . . . . 107
 3.7.4 Testul F. . . . . . . . . . . . . . . . . . . . . . . . . . . 110
2
3.7.5 Testul . . . . . . . . . . . . . . . . . . . . . . . . . . 111
3.8 Test de autoevaluare . . . . . . . . . . . . . . . . . . . . . . . 118
3.9 Repartiţii bidimensionale. . . . . . . . . . . . . . . . . . . . . 119
3.9.1 Coeficientul de corelaţie liniară. . . . . . . . . . . . . . 121
3.9.2 Regresii liniare. . . . . . . . . . . . . . . . . . . . . . . 124
3.10 Test de autoevaluare . . . . . . . . . . . . . . . . . . . . . . . 126
3.11 Bibliografie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
3.12 Probleme propuse. . . . . . . . . . . . . . . . . . . . . . . . . 128

Bibliografie 158

4
Capitolul 1

COMPLEMENTE DE
ANALIZĂ MATEMATICĂ

1.1 Obiective

Acest capitol introductiv ı̂şi propune formarea deprinderilor de calcul nece-

sare la studiul proprietăţilor cantitatative şi calitative ale funcţiilor defi-
nite pe mulţimea numerelor reale cu valori reale. Se urmăreşte explorarea
unor proprietăţi cu caracter local sau global ale unor funcţii cu ajutorul
noţiunilor de limită, continuitate, derivabilitate (studiul monotoniei, con-
vexităţii, evidenţierea punctelor de extrem, valorificarea geometrică a derivatei
unei funcţii ı̂ntr-un punct). Se vor utiliza reprezentări grafice ale unor funcţii
ı̂n scopul verificării unor rezultate şi pentru identificarea unor proprietăi. Se
vor modela situaţii din diferite domenii cu ajutorul funcţiilor ı̂n scopul re-
zolvării unor probleme specifice (se vor avea ı̂n vedere ı̂n special probleme de
extrem).

1
1.2 Noţiunea de funcţie

Definiţia 1.1 Fie X şi Y două mulţimi oarecare de numere reale. Dacă
printr-o lege (regulă) oarecare f fiecărui element x 2 X ı̂i corespunde un
singur element y 2 Y se spune că s-a definit o funcţie pe X cu valori ı̂n Y .

Mulţimea X se numeşte domeniu de definiţie, Y mulţimea valorilor funcţiei,

f legea de corespondenţă.
O funcţie este definită dacă se dau simultan

• Mulţimea X (domeniul de definiţie, domeniul de existenţă)

• Mulţimea Y (mulţimea valorilor funcţiei f )

• Legea f pe baza căreia fiecărui x 2 X ı̂i corespunde un singur element

y 2Y.

Elementul x 2 X se numeşte argumentul funcţiei sau variabila independentă

iar y = f (x) se numeşte valoarea funcţiei sau variabila dependentă. In
stabilirea domeniului de definiţie a unei funcţii reale se va avea ı̂n vedere
mulţimea valorilor lui x pentru care funcţia este reală, finită şi operaţiile
indicate ı̂n legea de corespondenţă au sens.

Exemplul 1.1 Să se precizeze domeniul de definiţie a funcţiilor:

4x2 2x + 3
10 f (x) =
(x 1)2

1
20 f (x) = p
1 x2

2
 8
>
>
>
>
>
1 dacă x < 1, x > 1
<
30 f (x) = 0 dacă x= 1
>
>
>
>
>
: 1 dacă 1<x<1
Soluţie.

10 Pentru x = 1 operaţia de ı̂mpărţire nu are sens, deci domeniul de defi-

niţie x 2 IR \ {1}.

20 Domeniul de definiţie este ( 1, 1) deoarece trebuie ca 1 x2 > 0.

30 Domeniul de definiţie este ı̂ntreaga axă reală.

Definiţia 1.2 Graficul unei funcţii este format din totalitatea

punctelor (x, f (x)) când x ia toate valorile din X.

1.3 Derivata unei funcţii

Fie f o funcţie definită pe un interval I şi x0 2 IR, I ✓ IR. Pentru fiecare
valoare x 2 I se consideră raportul dintre creşterea funcţiei şi creşterea ar-
gumentului:
f (x) f (x0 )
x x0
Definiţia 1.3 Dacă există limita raportului dintre creşterea funcţiei f şi
creşterea argumentului x atunci când creşterea argumentului tinde la zero,
această limită se numeşte derivata funcţiei f ı̂n punctul x = x0 , şi se
notează cu f 0 (x0 ).

Deci
f (x) f (x0 )
lim = f 0 (x0 )
x!x0 x x0

3
 Derivata unei funcţii ı̂ntr-un punct este un număr.

Dacă derivata există ı̂n tot intervalul I, adică ı̂n orice punct din acest
interval, atunci ea va fi o funcţie de x, definită pe I, numită derivata funcţiei
f şi notată cu f 0 . In acest caz se spune că f este derivabilă pe intervalul I.

Observaţia 1.1 Dacă funcţia f este dată ı̂n scară, se vor calcula derivatele
laterale definite cu ajutorul limitelor laterale.

1.4 Interpretarea geometrică a derivatei

Fie f : I ! IR, I ✓ IR şi x0 2 I. In plan y = f (x) reprezintă o curbă care

are graficul dat ı̂n figura 1.

Fie M0 (x0 , f (x0 )) şi M (x, f (x)) două puncte de pe această curbă. Se
duce secanta M0 M care formează cu axa Ox un unghi ↵. Paralela din M0 la
Ox taie paralela din M la Oy ı̂n N , care are coordonatele (x, f (x0 )).

y6
f (x)
4 M

f (x0 ) M0 ↵ N
↵0 -
x0 x x

Figura 1.
 In triunghiul dreptunghic M0 N M avem

MN f (x) f (x0 )
tg ↵ = =
M0 N x x0

Dacă punctul M se mişcă pe curbă şi se apropie de punctul M0 , adică

poziţia secantei M0 M să tindă către poziţia tangentei geometrice M0 T dusă
la curbă ı̂n M0 , unghiul ↵ tinde către ↵0 . Inseamnă că limita raportului
f (x) f (x0 )
când x ! x0 este tocmai coeficientul unghiular al tangentei
x x0
M0 T , adică
f (x) f (x0 )
lim = f 0 (x0 ) = tg ↵0
x!x0 x x0
Prin urmare, valoarea f 0 (x0 ) a derivatei funcţiei f ı̂n punctul x0 este
panta tangentei la curbă dusă ı̂n punctul de abscisă x0 . Aceasta este inter-
pretarea geometrică a derivatei unei funcţii ı̂ntr-un punct.

1.5 Tabloul derivatelor

1. c0 = 0

2. x0 = 1

3. (x↵ )0 = ↵x↵ 1
, (u↵ )0 = ↵u↵ 1
· u0 (↵ 2 IR)

1 u0
4. (ln x)0 = , (ln u)0 =
x u
p 0 1 p 0 u0
5. ( x) = p , ( u) = p
2 x 2 u

6. (ex )0 = ex , (eu )0 = eu · u0

7. (ax )0 = ax ln a , (au )0 = u0 au ln a (a > 0, a 6= 1)

5
 8. (sin x)0 = cos x, (sin u)0 = u0 cos u

9. (cos x)0 = sin x, (cos u)0 = u0 sin u

1 1
10. (tgx)0 = 2
, (tgu)0 = · u0
cos x cos2 u
1 1
11. (ctgx)0 = , (tgu)0 = · u0
sin2 x sin2 u
1 u0
12. (arcsin x)0 = p 2
, (arcsin u)0 = p
1 x 1 u2
1 u0
13. (arccos x)0 = p
2
, (arccos u)0 = p
1 x 1 u2
1 u0
14. (arctgx)0 = , (arctgu)0
=
1 + x2 1 + u2
1 u0
15. (arcctgx)0 = , (arcctgu)0 =
1 + x2 1 + u2

16. (k · f )0 = k · f 0

17. (f ± g)0 = f 0 ± g 0

18. (f · g)0 = f 0 · g + f · g 0
!0
f f0 · g f · g0
19. =
g g2

Exemplul 1.2 Să se calculeze derivatele următoarelor funcţii:

7 2
10 f (x) = 2x3 x + 3x
2
✓ ◆2
1 2
20 f (x) = x 3x
2
x2 1
30 f (x) = ln
x2 + 1

6
 p
40 f (x) = 2 sin x + 1

Soluţie.

10 Se aplică formulele 3, 16 şi 17 (derivata funcţiei putere, se ţine cont

de faptul că la derivare constantele ies ı̂n faţa funcţiei şi de formula de
derivare a sumei) şi rezultă f 0 (x) = 6x2 7x + 3

20 Se aplică formulele 3, 16 şi 17 (derivata funcţiei putere compuse, se

ţine cont de faptul că la derivare constantele ies ı̂n faţa funcţiei şi de
formula de derivare a sumei) şi rezultă f 0 (x) = (x2 6x)(x 3)

30 Se aplică formulele 4 şi 19 de unde rezultă

x2 + 1 2x(x2 + 1) 2x(x2 1) 4x
f 0 (x) = 2 · 2 2
= 4 .
x 1 (x + 1) x 1
40 Se aplică formulele 5 şi 8 şi rezultă
1 cos x
f 0 (x) = p · (2 sin x + 1)0 = p .
2 2 sin x + 1 2 sin x + 1

1.6 Proprietăţi ale funcţiilor derivabile

1.6.1 Extreme locale

Fie f : X ! Y, continuă pe X şi x0 2 X, X, Y ✓ IR.

Definiţia 1.4 Se spune că funcţia f are un maxim (minim) local f (x0 )
ı̂n punctul x0 , dacă există o vecinătate V a lui x0 , V ⇢ X, astfel ca

f (x) f (x0 )  0 8x 2 V

respectiv
f (x) f (x0 ) 0 8x 2 V

7
Punctele de minim şi maxim local se numesc extreme locale ale funcţiei. Au
loc următoarele teoreme:

Teorema 1.1 (Fermat). Dacă o funcţie f : I ! IR derivabilă ı̂ntr-un inter-

val I are extrem ı̂n punctul x0 2 I, atunci f 0 (x0 ) = 0.

Teorema 1.2 (Rolle). Dacă f este continuă pe [a, b], derivabilă pe (a, b) şi
f (a) = f (b) atunci există cel puţin un punct c 2 (a, b) astfel ca f 0 (c) = 0.

Teorema 1.3 (Lagrange, teorema creşterilor finite). Dacă f este o funcţie

continuă pe [a, b] şi derivabilă ı̂n (a, b), atunci există un număr c 2 (a, b)
astfel ca
f (b) f (a) = (b a) f 0 (c) c 2 (a, b)

Consecinţe.
1 . Dacă f are derivata nulă pe (a, b) atunci f este constantă pe acest
interval.
2 . Dacă o funcţie f este derivabilă pe un interval şi monotonă, atunci
derivata sa f 0 este pozitivă sau negativă, după cum f este crescătoare sau
descrescătoare.

1.7 Studiul funcţiilor cu ajutorul derivatelor

1.7.1 Intervale de monotonie ale unei funcţii

Fie f : I ! IR, derivabilă pe I şi x0 2 I, I ✓ IR. Pe baza proprietăţilor

funcţiilor derivabile, tratate ı̂n paragraful precedent, se poate concluziona:
a) dacă funcţia f este crescătoare pe I, atunci f 0 (x) 0, x 6= x0 , 8x 2 I.

8
 b) dacă funcţia f este descrescătoare pe I atunci f 0 (x)  0, 8x 2 I,
x 6= x0 .
c) punctele de extrem ale funcţiei f se află printre rădăcinile derivatei f 0 .
d) dacă derivata f 0 este strict negativă la stânga lui x0 (x0 rădăcină a
derivatei) şi strict pozitivă la dreapta lui x0 , atunci x0 este punct de minim
local al funcţiei f .
e) dacă derivata f 0 este strict pozitivă la stânga lui x0 şi strict negativă
la dreapta lui x0 , atunci x0 este punct de maxim local al funcţiei f .

Exemplul 1.3 Să se determine intervalele de monotonie şi punctele de ex-

trem ale funcţiei f : IR ! IR, f (x) = x3 3x2 9x 3.

Soluţie. Se calulează derivata de ordinul ı̂ntâi a funcţiei f şi se determină

rădăcinile acesteia: f 0 (x) = 3x2 6x 9, f 0 (x) = 0 () x2 2x 3 =
0 ) x1 = 1 şi x2 = 3. Se ı̂ntocmeşte tabelul de variaţie al funcţiei.
x 1 1 3 +1
f 0 (x) + 0 0 +
f (x) 1 % 2 & -30 % +1
Deci funcţia f este crescătoare pe ( 1, 1] [ [3, +1). x = 1 este punct
de maxim local iar x = 3 este punct de minim local.

1.7.2 Test de autoevaluare

s
x2 5x + 6
10 Stabiliţi domeniul de definiţie al funcţiei: f (x) =
x2 2x + 1
a) [2, 3] b) ( 1, 1) [ (1, 2] [ [3, +1) c) [1, 3] (Răspuns b))

20 Derivata unei funcţii ı̂ntr-un punct este:

a) un număr b) o funcţie c) o curbă (Răspuns a))

9
 ✓ 10 ◆
0 1 2
3 Derivata de ordinul ı̂ntâi a funcţiei f (x) = x 1 este:
✓ ◆9 ✓ ◆9
2
✓ ◆9
1 1 2 1
a) 10 x2 1 b) x 1 c) 10x x2 1 (Răspuns c))
2 2 2

40 Care sunt punctele de extrem ale funcţiei f : IR ! IR, f (x) = x4

4x3 + 4x2 ?
a) x = 0, x = 2 pct. min. local iar x = 1 pct. de max. local
b) x = 0, x = 2 pct. max. local iar x = 1 pct. de min. local c) alt răspuns
(Răspuns a))

50 Funcţia f : IR ! IR, f (x) = x3 3x este strict descrescătoare pe

intervalul:
a) ( 1, 1) b) [ 1, 1] c) (1, +1) (Răspuns b))

1.7.3 Concavitatea şi convexitatea funcţiilor

Fie f : I ! IR, derivabilă de ordinul doi pe I.

Definiţia 1.5 Funcţia f este convexă pe I, dacă tangenta ı̂n orice punct al
graficului funcţiei se află sub grafic (figura 2).

Definiţia 1.6 Funcţia f este concavă pe I dacă tangenta ı̂n orice punct al
graficului se află deasupra graficului (figura 3).

y6

10

-
x

Figura 2.
 Studiul concavităţii sau convexităţii unei funcţii se face cu ajutorul sem-
nului derivatei a doua.

y6

-
x

Figura 3.

Are loc următoarea teoremă:

Teorema 1.4 Dacă funcţia f este concavă pe I ✓ IR, atunci derivata sa de

ordinul doi f 00 (x)  0 pe I. Dacă f este convexă pe I, atunci f 00 (x) 0.

Puncte de inflexiune

Fie f : I ! IR, x0 2 I, f derivabilă ı̂n x0 .

Definiţia 1.7 Punctul x0 este un punct de inflexiune al funcţiei f , dacă ı̂n

x0 funcţia ı̂şi schimbă concavitatea.

Punctele de inflexiune se află printre rădăcinile derivatei a doua a funcţiei f .

1.7.4 Asimptote

Fie f : IR ! IR, al cărei grafic este o curbă cu ramuri infinite.

11
Definiţia 1.8 Se numeşte asimptotă la o curbă, dreapta tangentă la curbă
la infinit.

După poziţia asimptotelor faţă de axele de coordonate există asimptote ori-

zontale, verticale şi oblice.
Asimptotele verticale se stabilesc calculând lim
x!a
f (x)
Dacă lim f (x) = ±1, atunci x = a este asimptotă verticală .
x!a

Asimptotele orizontale se obţin când lim f (x) = b, y = b fiind asimptotă

x!±1

orizontală.
Pentru stabilirea asimptotelor oblice se consideră dreapta de ecuaţie

y = mx + n

unde m şi n vor fi determinaţi astfel ca această dreaptă să fie asimptotă la
graficul funcţiei f .
Din sistemul 8
>
< y = f (x)
>
: y = mx + n
se obţine

f (x) n
m=
x x
Trecând la limită, x ! 1, rezultă
f (x)
m = lim
x!1 x
Analog
n = x!1
lim (f (x) mx)

Exemplul 1.4 Să se stabilească asimptotele funcţiilor:

12
 x2 4x p
1. f (x) = 2. f (x) = x2 3x + 2
x 2
Soluţie. 1. Deoarece lim f (x) = 1, rezultă că x = 2 este asimptotă
x!2

verticală.
lim f (x) = ±1. Se caută
Asimptote orizontale nu există deoarece x!±1
asimptote oblice. Rezultă

f (x) x2 4x
m = lim = lim 2 =1
x!±1 x x!±1 x 2x

şi
2x
n = lim (f (x) mx) = lim = 2
x!±1 x!±1 x 2
Deci y = x 2 este asimptotă oblică.
2. Funcţia nu are asimptote orizontale şi verticale. Se caută asimptotele
oblice. Se obţine
q
3 2
x 2
3x + 2 |x| 1 2
+ x2
m = x!±1
lim = x!±1
lim =
x x
8
>
< 1 când x ! 1
=
>
: 1 când x ! +1

Deci, ecuaţiile asimptotelor la +1 şi la 1 diferă.

Rezultă
⇣p ⌘ 3x + 2 3
n1 = lim x2 3x + 2 + x = lim p =
x! 1 x! 1
x2 3x + 2 x 2
⇣p ⌘ 3x + 2 3
n2 = x!+1
lim x2 3x + 2 lim p
x = x!+1 =
x2 3x + 2 + x 2
3 3
La +1 funcţia are asimptota y = x şi la 1 y= x+ .
2 2

13
1.8 Reprezentarea grafică a funcţiilor
In reprezentarea grafică a unei funcţii f : X ! IR, X ✓ IR se parcurg
următoarele etape:
1. Stabilirea domeniului de definiţie. Domeniul de definiţie va fi format
din mulţimea valorilor lui x pentru care funcţia este finită, reală şi operaţiile
indicate ı̂n legea de corespondenţă f au sens.
2. Intersecţia cu axele de coordonate. Se determină punctele de coordo-
nate (0, y) şi (x, 0).
3. Se calculează limitele x!+1
lim f (x) şi x!
lim1 f (x) dacă domeniul de definiţie
este infinit.
4. Studiul monotoniei funcţiei. Determinarea punctelor de extrem. In
vederea studierii monotoniei funcţiei se calculează derivata ı̂ntâi, se calculează
punctele ı̂n care ea se anulează şi se studiază semnul derivatei.
Punctele ı̂n care se anulează derivata ı̂ntâi vor fi puncte de extrem dacă
derivata are un semn ı̂nainte de a se anula şi altul după ce s-a anulat.
5. Concavitatea şi convexitatea unei funcţii. Puncte de inflexiune. Con-
form teoremei 1.4 concavitatea unei funcţii este dată de semnul derivatei a
doua. Prin urmare, se va calcula derivata a doua a funcţiei f , se vor deter-
mina punctele ı̂n care se anulează şi se va stabili semnul derivatei a doua.
6. Asimptote. Determinarea asimptotelor se face aşa cum s-a arătat ı̂n
paragraful 1.7.4
7. Tabloul de variaţie a funcţiei. Se alcătuieşte un tablou cu mai multe
linii. Pe prima linie se trec toate valorile lui x, ı̂n ordine crescătoare din
domeniul de definiţie, ı̂ntâlnite pe parcursul celor 6 etape din reprezentarea
grafică a funcţiilor. Pe linia a doua se trece derivata ı̂ntâia cu semnul său, pe

14
linia a treia derivata a doua cu semnul său. Pe ultima linie se trec valorile
funcţiei f corespunzătoare valorilor variabilei x.
8. Trasarea graficului funcţiei. Pe baza tabloului de variaţie şi ţinând
seama de asimptotele găsite, se trasează graficul funcţiei, marcând ı̂ntâi
punctele prin care trece graficul, apoi asimptotele.

x2 + x 2
Exemplul 1.5 Să se reprezinte grafic funcţia: f (x) =
x+3

1 . Domeniul de definiţie este IR { 3}, deci x 2 IR { 3}.

2 . Intersecţia cu axele de coordonate
✓ ◆
2 2
x = 0, f (0) = ) 0,
3 3
f (x) = 0, ) x = 1, x = 2 ) (1, 0) , ( 2, 0)

lim f (x) = ±1
x!±1

3 . Monotonia funcţiei

x2 + 6x + 5
f 0 (x) = , f 0 (x) = 0 ) x1 = 5, x2 = 1
(x + 3)2

x 1 5 1 +1
f 0 (x) + 0 0 +

4 . Concavitatea şi convexitatea funcţiei

8 x 1 3 +1
f 00 (x) =
(x + 3)3 f 00 (x) | +

5 . Asimptote, lim f (x) = 1 ) x = 3 asimptotă verticală

x! 3

lim f (x) = ±1, nu există asimptote orizontale.

x!±1

Se determină asimptota oblică.

15
 f (x)
m = lim = 1, n = lim (f (x) mx) =
x!±1 x x!±1
2x 2
= x!±1
lim = 2 ) y = x 2 asimptotă oblică
x+3
6 . Tabloul de variaţie
x 1 -5 -3 -2 -1 0 1 +1

f 0 (x) + 0 - | - 0 + +
f 00 (x) - - | + + +
2
f(x) 1 % -9 & 1 +1| &0& -1 % 3
% 0% +1

(M) (m)
7 . Graficul funcţiei este dat ı̂n figura 4.
6

1 0 1 -
5 3 2 x 2
2

x 9

x2 + x 2
Figura 4. Graficul funcţiei f (x) =
x+3

1.9 Funcţii de mai multe variabile

1.9.1 Noţiuni de bază

Definiţia 1.9 Fie mulţimea A = {(x, y) | x 2 IR, y 2 IR}. Prin funcţie de

două variabile se ı̂nţelege o funcţie definită pe A cu valori ı̂n IR. Aceasta se

16
va nota astfel
f : A ! IR, z = f (x, y)

Analog se introduce noţiunea de funcţie de 3, 4, . . . , n variabile.

1.10 Derivate parţiale

Fie funcţia f : A ! IR şi punctul M0 (x0 , y0 ) 2 A.

Definiţia 1.10 Funcţia f este derivabilă ı̂n raport cu variabila x ı̂n punctul
M0 (x0 , y0 ) dacă
f (x, y0 ) f (x0 , y0 )
lim
x!x0 x x0
există şi este finită .
@f
Aceasta se notează cu fx0 sau şi se numeşte derivata parţială a funcţiei
@x
f ı̂n raport cu x.
Analog se defineşte derivata parţială a lui f ı̂n cu y. Se presupune că
există fx0 şi fy0 pe mulţimea A.
Dacă există derivata parţială ı̂n raport cu x a lui fx0 se defineşte derivata
parţială de ordinul doi a lui f ı̂n raport cu x.
@2f @2f
Aceasta se notează fx002 sau . Analog există f 00
xy sau , f 002 sau
@x2 @x@y y
@2f
.
@y 2
Exemplul 1.6 Se dă funcţia f (x, y) = x3 y 2 + 2x ln y + xy . Să se calculeze
derivatele sale parţiale de ordinul 1 şi 2.

Soluţie.
1
fx0 = 3x2 y 2 + 2 ln y + yxy 1 , fy0 = 2x3 y + 2x + xy ln x
y

17
 2
fx002 = 6xy 2 + y(y 00
1)xy 2 , fxy = 6x2 y + + xy 1
+ yxy 1
ln x
y
2x
00
fyx = 6x2 y + 2
y
+ yxy 1
ln x + xy 1 , fy002 = 2x3 2
+ xy ln2 x
y
00 00 00 00
Se observă că fxy = fyx . Aceasta are loc ı̂ntotdeauna dacă fxy , fyx sunt
continue pe A.

x
Exemplul 1.7 Se dă funcţia f (x, y) = arcsin p . Să se calculeze
x2 + y 2
derivatele sale de ordinul 1.

Soluţie.
!0
x p x2
p 2 x2 + y 2 p
x + y2 x2 + y 2 y
fx0 = s x
= y = 2
x 2
(x2 + y 2 ) · p 2 x + y2
1 x +y 2
x2 + y 2
x
fy0 =
x2 + y2

00 00
Exemplul 1.8 Să se verifice că fxy = fyx pentru funcţia f (x, y) =
= x2 ln (1 + xy)

Solutie.

y x
fx0 = 2x ln (1 + xy) + x2 , fy0 = x2
1 + xy 1 + xy
00 x2 (3 + 2xy) 00
2
x (3 + 2xy)
fxy = 2 , fyx =
(1 + xy) (1 + xy)2

00 00
Se vede că fxy = fyx .

18
1.11 Extremele locale ale funcţiilor de mai
multe variabile
Fie funcţia f : A ! IR, A = {(x, y) | x 2 IR, y 2 IR} şi punctul M0 2 A.

Definiţia 1.11 Funcţia f are un maxim local maxim local respectiv

minim local minim local ı̂n punctul M0 dacă există o vecinătate a lui
M0 astfel ı̂ncât pentru orice punct M (x, y) din această vecinătate, să aibă
loc relaţia f (M )  f (M0 ) respectiv f (M ) f (M0 ) .

Punctele de maxim şi de minim local se numesc puncte de extrem.

Definiţia extremelor funcţiei de n variabile este analoagă cu definiţia 1.11
Punctele de extrem ale unei funcţii se află printre punctele staţionare,
adică, punctele ı̂n care se anulează derivatele parţiale de ordinul ı̂ntâi ale
funcţiei. Dar nu orice punct staţionar, este punct de extrem al funcţiei.
Fie f : D ! IR, D = {(x1 , x2 , . . . , xn ) | xi 2 IR, i = 1, n}, D ✓
IRn care admite derivate parţiale de ordinul doi continue ı̂ntr-o vecinătate a
punctului M0 staţionar.
Se introduce notaţia

00
aij = fxi xj i, j = 1, n
M0

Se consideră matricea
0 1
B a11 a12 ... a1n C
B C
B C
B a21 a22 ... a2n C
A=B
B
C
C
B .... ... ... ... C
B C
@ A
an1 an2 ... ann

19
şi determinanţii minori de ordinul ı̂ntâi, doi, ş.a.m.d. ordinul n, definiţi astfel:

a11 a12 ... a1n

a11 a12 a21 a22 ... a2n
D1 = |a11 |, D2 = , . . . , Dn =
a21 a22 ... ... ... ...
an1 an2 ... ann

Are loc următoarea teoremă:

Teorema 1.5 Punctul staţionar M0 este punct de minim, respectiv maxim

pentru o funcţie f ale cărei derivate parţiale de ordinul doi sunt continue
ı̂ntr-o vecinătate a acestuia, dacă toţi Dl > 0 pentru fiecare l = 1, n respectiv
D1 < 0, D2 > 0, D3 < 0, . . ..

In cazul Dl = 0 nu se poate preciza dacă există sau nu puncte de extrem.

Exemplul 1.9 Să se determine extremele funcţiei

f (x, y) = 2x4 + y 4 x2 2y 2

Soluţie. Se calculează derivatele parţiale de ordinul ı̂ntâi. Se obţine sistemul

8
>
> 0
< fx = 8x3 2x = 0
>
> 0
: fy = 4y 3 4y = 0

care are soluţia următoarele puncte staţionare:

✓ ◆ ✓ ◆ ✓ ◆ ✓ ◆
1 1 1 1
(0, 0) , (0, 1) , (0, 1) , , 0 , , 1 , , 1 , , 0 ,
✓ ◆ ✓ ◆ 2 2 2 2
1 1
, 1 , , 1 .
2 2
Derivatele parţiale de ordinul doi sunt

00 00 00
a11 = fx2 = 24x2 2, a12 = fxy = 0 = a21 , a11 = fy2 = 12y 2 4

20
Matricea derivatelor parţiale de ordinul doi este
0 1
2
B 24x 2 0 C
A=@ A
0 12y 2 4

Se ia punctul (0, 0), pentru care, se obţine

0 1
B 2 0 C 2 0
A=@ A, D1 = 2 < 0, D2 = =8>0
0 4 0 4

Conform teoremei 1.5 punctul (0, 0) este un maxim local.

Se ia, acum, punctul (0, 1) pentru care se obţine
0 1
B 2 0 C 2 0
A=@ A, D1 = 2 < 0, D2 = = 16 < 0
0 8 0 8

Acesta nu este punct de extrem.

Procedând analog, pentru celelalte puncte staţionare se stabileşte că punctele
✓ ◆ ✓ ◆ ✓ ◆ ✓ ◆
1 1 1 1
, 1 , , 1 , , 1 , , 1 sunt puncte de minim, iar punctele
2 ✓2 ◆ ✓ 2 ◆ 2
1 1
(0, 1) , , 0 , , 0 nu sunt puncte de extrem.
2 2

Exemplul 1.10 Să se determine extremele funcţiei

f (x, y, z) = x2 + 2xy + y 4 + 3y 2 + z 2 + 4x + 2y 4yz + z + 10

Soluţie. Se calculează derivatele parţiale de ordinul ı̂ntâi. Se obţine sistemul

8
0
>
> fx = 2x + 2y + 4 =0
>
>
>
>
<
0
> fy = 2x + 4y 3 + 6y + 2 4z = 0
>
>
>
>
>
: 0
fz = 2z 4y + 1 =0

care are soluţia următoarele puncte staţionare:

21
 ✓ ◆ ✓ ◆ ✓ ◆
5 1 3
1, 1, , 2, 0, , 3, 1,
3 2 2
Derivatele parţiale de ordinul doi sunt
00 00 00 00
a11 = fx2 = 2, a12 = fxy = 2, a13 = fxz = 0, a22 = fy2 =
00 00
= 12y 2 + 6, a23 = fyz = 4, a33 = fz2 = 2
Matricea derivatelor parţiale de ordinul doi este
0 1
B 2 2 0 C
B C
B C
A= B 2 12y 2 + 6 4 C
B C
@ A
0 4 2
✓ ◆ ✓ ◆
5 3
Considerând punctele 1, 1, , 3, 1, se obţine:
3 2
0 1
B 2 2 0 C
B C
B C
A= B 2 18 4 C
B C
@ A
0 4 2

2 2 0
2 2
D1 = 2 > 0, D2 = > 0, D3 = 2 18 4 >0
2 18
0 4 2
✓ ◆ ✓ ◆
5 3
de unde rezultă că punctele 1, 1, , 3, 1, sunt puncte de
3 2
minim.
✓ ◆
1
Alegând punctul staţionar 2, 0, rezultă matricea
2
0 1
B 2 2 0 C
B C
B C
A= B 2 6 4 C
B C
@ A
0 4 2

22
de unde se obţine

2 2 0
2 2
D1 = 2 > 0, D2 = > 0, D3 = 2 6 4 <0
2 6
0 4 2
✓ ◆
1
Deci punctul 2, 0, nu este punct de extrem.
2

1.11.1 Test de autoevaluare

00
10 Fie funcţia f (x, y) = x2 + y 2 . Atunci derivata mixtă de ordinul 2, fxy
este:
a) 0 b) 2x c) 2y (Răspuns a))

20 Fie funcţia f (x, y) = ln(x3 + y 3 ). Atunci valoarea expresiei xfx0 + yfy0

este:
a) 0 b) 1 c) 3 (Răspuns c))

1
30 Punctele de extrem ale funcţiei f (x, y) = x2 2xy 3y + y 3 sunt:
3
a) (3, 3) pct. de min. b) ( 1, 1) pct. de min.
c) ( 1, 3) pct. de max. (Răspuns a))

40 Ferestrele unei sere au aşa zisa formă romană (un dreptunghi având
partea superioară un semicerc). Presupunând că perimetrul ferestrei,
p este dat, ce dimensiuni trebuie să aibă fereastra pentru a putea
pătrunde cât mai multă lumină?
p 4p 2p p
a) baza , ı̂nălţimea b) baza , ı̂nălţimea
4+⇡ 4+⇡ 4+⇡ 4+⇡
p p
c) baza , ı̂nălţimea (Răspuns b))
4+⇡ 4+⇡

23
1.12 Bibliografie

1. Micula Maria: Matematici aplicate ı̂n agronomie, Casa de editură

Transilvania Press, Cluj - Napoca, 1997.

2. Duca D.I., Duca E.: Analiză matematică, Culegere de probleme, Ed.

Gil, Zalău, 1999.

3. Blickensdörfer-Ehlers A., Eschmann W.G., Neunzert H., Schelkes K.:

Analysis 1, Analysis 2, Springer-Verlag Berlin - Heidelberg - New York, 1982.

4. http://www.math.com

1.13 Probleme propuse

1. Să se calculeze derivatele funcţiilor:

!2
x3 3x2 x 2 x2
1 y= + + 2 = 1
3 4 3 5 2
cos x 1 1
3 y= 2 4 y=
5
x 10x 4x4
(3x + 1)4
5 y = (2x 1)3 (3 x)2 6 y=
(4x 3)3
p 2x2 1 p
7 y = x2 3x + 4 8 y= 1 + x2
3x3
✓ ◆ p p
⇡ x x2 + 1 + x 2
9 y = ln tg + 10 y = ln p 2 p
4 2 x +1 x 2
q
p p
1 x+a x
11 y = x(x + a) + a ln p p , a 2 IR
2 x+a+ x

24
 1 x2 p
12 y = arcsin 13 y = a1 x
14 y = eln cos x
1 + x2
s
2 a b x
15 y = p arctg( tg ), a > b > 0
a2 b2 a+b 2
!
4 1 x
16 y = ln(2 + cos x) + p arctg p tg
3 3 2
2
p p
1 x +x 2+1 1 x 2
17 y = p ln 2 p + p arctg
4 2 x x 2+1 2 2 1 x2
p
1 x+1 p
18 y = arcsin p + 2arctg 4 x + 1
1+ x+1
2 3 1
19 y = tgx + tg x + tg5 x
3 5
2. Să se reprezinte grafic funcţiile:
p x3 + x
1 y = 2x2 3x 2 2 y = 2
x 1
3 2
3x 4x x 6x + 13
3 y= 2
4 y=
3x 6 x 3
2 2
x 8x 12 x 4x + 5
5 y= 2
6 y=
x 16 x 2
3. Să se arate că funcţiile următoare satisfac relaţiile scrise ı̂n dreptul lor.

1 y = ex sin x, y 00 2y 0 + 2y = 0
1 cos 2x
2 y= , y 00 + y 0 4ytgx = 0
tg 2 x
3 y = arctg (ax + b) , y IV y 0 2y 000 y 0 + 8y 00 y 12 = 0
xp 2 1 ⇣ p ⌘
4 y= x 1 ln x + x2 1 , y 002 + y 0 y 00 = 1
2 2

25
26
Capitolul 2

NOŢIUNI DE CALCULUL
PROBABILITĂŢILOR

2.1 Obiective

Acest capitol tratează noţiuni şi concepte specifice teoriei probabiliţilor. In-
trucât calculul probabilităţilor constituie fundamentul teoretic al statisticii
biologice abordată ı̂n capitolul următor şi frecvent utilizată ı̂n cercetările bio-
logice şi agricole, scopul urmărit ı̂l reprezintă consolidarea unui instrument de
investigare obiectiv ı̂n iniţierea studiului şi ı̂n aplicărea statistice matematice.

2.2 Noţiuni de bază.

Definiţia 2.1 Experienţă. Prin experienţă se ı̂nţelege realizarea unui ansam-

blu de condiţii corespunzător unui criteriu de cercetare propus.

27
Definiţia 2.2 Probă. Alegerea la ı̂ntâmplare din ansamblul de condiţii a
unei condiţii oarecare, se numeşte probă.

Definiţia 2.3 Eveniment. Prin eveniment se ı̂nţelege orice situaţie legată

de o anumită experienţă.

Clasificarea evenimentelor

Definiţia 2.4 Eveniment elementar (simplu) este evenimentul realizat

de o singură probă.

Definiţia 2.5 Eveniment compus este evenimentul realizat de mai multe

probe.

Definiţia 2.6 Eveniment cert (sigur) este evenimentul care se realizează

ori de câte ori se efectuează experienţa.

Se notează cu litera E.

Definiţia 2.7 Eveniment imposibil este evenimentul care nu se realizează

ori de câte ori se efectuează experienţa.

Se notează cu litera .

Definiţia 2.8 Evenimente aleatoare (ı̂ntâmplătoare) sunt evenimentele

care uneori se produc alteori nu, atunci când se efectuează experienţa. Ele
se notează cu literele mari ale alfabetului latin A, B, C, etc.

Definiţia 2.9 Eveniment contrar (opus) evenimentului A este evenimen-

tul Ā care se realizează ori de câte ori nu se realizează A şi nu se realizează
ori de câte ori se realizează A.

28
Definiţia 2.10 Evenimente compatibile. Evenimentele A şi B sunt com-
patibile dacă se pot realiza simultan.

Definiţia 2.11 Evenimentele incompatibile sunt evenimentele care nu

se pot realiza ı̂n acelaşi timp.

Definiţia 2.12 Evenimentele A şi B sunt dependente atunci când realiza-

rea unuia depinde de realizarea celuilalt.

Definiţia 2.13 Două evenimente sunt independente când realizarea unuia

nu depinde de realizarea celuilalt.

Relaţii şi operaţii cu evenimente

Definiţia 2.14 Implicaţia. Evenimentul A implică evenimentul B (A ⇢

B), dacă realizarea evenimentului A atrage după sine realizarea evenimentu-
lui B.

Definiţia 2.15 Reuniunea a două evenimente A şi B este un eveniment

notat cu A [ B a cărui realizare constă ı̂n realizarea a cel puţin unuia din
evenimentele A şi B.

Definiţia 2.16 Intersecţia a două evenimente este tot un eveniment, notat

cu A \ B, a cărui realizare constă ı̂n realizarea simultană a evenimentelor A
şi B.

Proprietăţi ale operaţiilor cu evenimente.

1. A [ A = E

29
2. A \ A =

3. A[ B = A \ B

4. Dacă A \ B = rezultă că A şi B sunt incompatibile.

5. A \ E = A

6. A [ (B \ C) = (A [ B) \ (A [ C)

7. (A \ B) [ (A \ B) = B

8. A [ B = A [ (A \ B)

9. (A \ B) \ (A \ B) =

2.3 Probabilitate. Proprietăţi.

In practică adesea interesează şansa de a se realiza un anumit eveniment.
Astfel un student vrea să cunoască şansa de a promova un examen, fermierul
vrea să ştie cu ce şansă se poate obţine o anumită recoltă.
O măsură pentru şansa de realizare a unui eveniment este probabili-
tatea. Se va da definiţia clasică a probabilităţii.

Definiţia 2.17 Probabilitatea unui eveniment A este raportul dintre numărul

cazurilor favorabile apariţiei evenimentului A şi numărul total al cazurilor
posibile de realizare a evenimentului A.

Se notează astfel:
n
P (A) =
N

30
 n - numărul cazurilor favorabile apariţiei evenimentului A
unde
N - numărul cazurilor posibile de apariţie a evenimentului A
Proprietăţi.

1. P (E) = 1, rezultă din faptul că n = N

2. P ( ) = 0, deoarece n = 0

3. 0  P (A)  1, pentru că 0  n  N

4. P (A \ B) = P (A) · P (B), dacă A, B sunt independente

5. a) P (A [ B) = P (A) + P (B), A \ B =

b) P (A [ B) = P (A) + P (B) P (A \ B)

Pentru 3 evenimente proprietatea 5 b) are forma

P (A [ B [ C) = P (A) + P (B) + P (C) P (A \ B)

P (A \ C) P (B \ C) + P (A \ B \ C)

6. P (A) = 1 P (A)

Exemplul 2.1 Un student făcând parte dintr-o grupă de 26 studenţi dintr-

un an cu 101 de studenţi al unei facultăţi cu 601 studenţi se plimbă pe stradă.
Care este probabilitatea de a se ı̂ntâlni
a) cu un coleg de grupă;
b) cu un coleg de an.

Soluţie. Fie
A - evenimentul să se ı̂ntâlnească cu un coleg de grupă
B - evenimentul să se ı̂ntâlnească cu un coleg de an
Atunci

31
 26 1 25 1
a) P (A) = = =
601 1 600 24
101 1 100 1
b) P (B) = = =
601 1 600 6

Exemplul 2.2 Se aruncă două zaruri. Care este probabilitatea ca suma

feţelor să fie un număr 7?

Soluţie. Fie A evenimentul ca suma feţelor celor două zaruri ieşite ı̂n
urma unei aruncări, să fie un număr 7.
Cazurile posibile sunt:
(1,1) (2,1) (3,1) (4,1) (5,1) (6,1)
(1,2) (2,2) (3,2) (4,2) (5,2) (6,2)
(1,3) (2,3) (3,3) (4,3) (5,3) (6,3)
(1,4) (2,4) (3,4) (4,4) (5,4) (6,4)
(1,5) (2,5) (3,5) (4,5) (5,5) (6,5)
(1,6) (2,6) (3,6) (4,6) (5,6) (6,6)
ı̂n total ı̂n număr de 36.
Favorabile evenimentului A, ca suma feţelor să fie mai mare sau egală cu
7, sunt cazurile:
(1,6) (2,5) (2,6) (3,4) (3,5) (3,6) (4,3)
(4,4) (4,5) (4,6) (5,2) (5,3) (5,4) (5,5)
(5,6) (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
ı̂n total 21.
21 7
Deci P (A) = =
36 12

Exemplul 2.3 Intr-o ladă sunt 100 de mere din care 10 sunt stricate. Care
este probabilitatea ca extrăgând 5 mere la ı̂ntâmplare, printre acestea să fie
şi mere stricate?

32
 Soluţie. Fie

A - evenimentul ca printre merele extrase să fie şi mere stricate

Ā - evenimentul ca toate cele 5 mere extrase să fie bune.

Este mai uşor de calculat aici probabilitatea evenimentului Ā.

5 5
C90 C90
P (A) = 5
şi P (A) = 1 5
C100 C100

2.3.1 Test de autoevaluare

10 Probabilitatea realizării unui eveniment este:

a) un număr real din intervalul (1, +1) b) un număr real strict negativ
c) un număr real din intervalul [0, 1] (Răspuns c))

20 Două evenimente sunt incompatibile atunci cnd:

a) realizarea unuia determină realizarea celuilalt b) se pot realiza simultan
c) nu se pot realiza simultan (Răspuns c))

30 Dacă A şi B sunt două evenimente independente atunci:

a) P (A \ B) = P (A) · P (B) b)P (A \ B) = P (A) + P (B)
c) P (A \ B) = P (A) + P (B) P (A) · P (B) (Răspuns a))

40 Intr-o ladă care conţine 150 de mere, 62 sunt de soi A, 35 de soi B şi
restul de soi C. Care este probabiliatatea ca un măr luat la ı̂ntâmplare
97 88 115
să fie din soiul B sau C? a) b) c) (Răspuns b))
150 150 150

33
2.4 Scheme clasice de probabilităţi.

2.4.1 Schema lui Poisson.

Fie urnele u1 , u2 , . . . , un care conţin bile albe şi negre ı̂n proporţii cunos-
cute, dar diferite. Se cunosc probabilităţile pi , qi cu care este extrasă o bilă
albă respectiv neagră din urna ui . Se cere probabilitatea de a extrage k bile
albe şi n k bile negre când din fiecare urnă se extrage câte o bilă.
Pentru a găsi această probabilitate se va lua cazul a 3 urne, k luându-l
egal cu 2.
Fie A evenimentul de a avea 2 bile albe şi una neagră când din fiecare
urnă se extrage câte o bilă, iar Ai evenimentul de a extrage o bilă albă din
urna ui , i = 1, 2, 3.
Fie
pi = P (Ai ), qi = P (Ai ), i = 1, 2, 3

Evenimentul A se realizează când se extrag bile albe din u1 şi u2 şi neagră
din u3 sau albe din u1 şi u3 şi neagră din u2 sau albe din u2 şi u3 şi neagră
din u1 . Deci

A = (A1 \ A2 \ A3 ) [ (A1 \ A2 \ A3 ) [ (A1 \ A2 \ A3 )

Evenimentele A1 \ A2 \ A3 , A1 \ A2 \ A3 , A1 \ A2 \ A3 sunt incompatibile

două câte două şi ı̂n ansamblul lor.
Atunci

P (A) = P (A1 \ A2 \ A3 ) + P (A1 \ A2 \ A3 ) + P (A1 \ A2 \ A3 ) =

= P (A1 ) · P (A2 )P (A3 ) + P (A1 ) · P (A2 )P (A3 ) +

+ P (A1 ) · P (A2 ) · P (A3 )

34
sau
P (A) = p1 p2 q3 + p1 p3 q2 + p2 p3 q1

Aceasta este probabilitatea cerută.

Se consideră următorul polinom
(p1 x + q1 )(p2 x + q2 )(p3 x + q3 ) = p1 p2 p3 x3 + (p1 p2 q3 + p1 p3 q2 +
+p2 p3 q1 )x2 + (p1 q2 q3 + p2 q1 q3 + p3 q1 q2 )x + q1 q2 q3
Se observă că P (A) este tocmai coeficientul lui x2 din dezvoltarea (p1 x +
q1 )(p2 x + q2 )(p3 x + q3 ).
Atunci, ı̂n cazul general, probabilitatea ca din n bile k să fie albe
este coeficientul lui xk din dezvoltarea

(p1 x + q1 )(p2 x + q2 ) . . . (pn x + qn )

Exemplul 2.4 O echipă de 3 trăgători trag asupra unei ţinte. Pentru fiecare
nimerire a ţintei se acordă echipei un punct. Probabilităţile de nimerire a
ţintei pentru fiecare trăgător sunt 0, 7; 0, 8 şi respectiv 0, 6. Care este prob-
abilitatea ca echipa să câştige 1 punct atunci când fiecare din trăgători face
doar o tragere?

Soluţie. A obţine un punct ı̂nseamnă a nimeri o singură dată ţinta. Proba-

bilitatea de a nimeri o dată ţinta este coeficientul lui x din dezvoltarea

(p1 x + q1 )(p2 x + q2 )(p3 x + q3 )

unde
p1 = 0, 7, q1 = 0, 3
p2 = 0, 8, q2 = 0, 2
p3 = 0, 6, q3 = 0, 4

35
 Deci

P (A) = p1 q2 q3 + p2 q1 q3 + p3 q1 q2 = 0, 7 · 0, 2 · 0, 4 + 0, 8 · 0, 3 · 0, 4 +

+ 0, 6 · 0, 2 · 0, 3 = 0, 056 + 0, 098 + 0, 036 = 0, 19

2.4.2 Schema lui Bernoulli (binomială).

Această schemă se foloseşte când fenomenele se repetă ı̂n condiţii identice.

Ea este un caz particular al schemei lui Poisson, când urnele conţin bile albe
şi negre ı̂n aceeaşi proporţie.
Deci
p1 = p2 = ... = p
q1 = q2 = . . . = q
Pe baza celor de mai sus, probabilitatea evenimentului A de a avea k bile
albe din cele n extrase este coeficientul lui xk din dezvoltarea

(px + q)n

Acesta este Cnk pk q n k . Prin urmare, probabilitatea cerută este

P (n; k, n k) = Cnk pk q n k

Această problemă se poate formula şi astfel: fie o urnă cu N bile din
care a albe şi b negre. Se fac n extrageri, după fiecare extragere se pune bila
extrasă ı̂napoi ı̂n urnă. Care este probabilitatea ca din n bile k să fie albe şi
n k negre? Din această cauză schema lui Bernoulli se mai numeşte schema
bilei revenite (sau schema binomială).

Exemplul 2.5 Seminţele germinative ale unei plante reprezintă 90%. Să se
găsească probabilitatea ca din 4 seminţe să răsară

36
 a) trei;
b) cel puţin una;
c) mai puţine de trei.

Soluţie. Probabilitatea de a germina o sămânţă este p = 0, 9 iar de a nu

germina este q = 0, 1.
a) P (4; 3, 1) = C43 0, 93 0, 1 = 0, 2916
b) Fie A evenimentul să răsară cel puţin una.
Probabilitatea evenimentului A se poate calcula ı̂n două feluri:

P (A) = P (4; 1, 3) + P (4; 2, 2) + P (4; 3, 1) + P (4; 4, 0) = 0, 9999

şi
P (A) = 1 P (A) = 1 P (4; 0, 4) = 1 0, 0001 = 0, 9999

c) Fie B evenimentul să răsară mai puţin de trei seminţe

P (B) = P (4; 0, 4) + P (4; 1, 3) + P (4; 2, 2) = 0, 0523

2.4.3 Schema bilei nerevenite.

Problema se formulează ı̂n felul următor: O urnă conţine N bile din care
a albe şi b negre. Se fac n extrageri fără a pune bila ı̂napoi. Care este
probabilitatea ca din cele n bile extrase să avem ↵ bile albe şi bile negre.
Evident că a + b = N , ↵ + = n. Probabilitatea evenimentului cerut se
notează cu P (a, b; ↵, ). Se va calcula această probabilitate folosind definiţia
probabilităţii.
Numărul total al cazurilor posibile este numărul modurilor ı̂n care se pot
extrage N bile luate câte n, adică CNn .

37
 Numărul cazurilor favorabile se obţine adăugând fiecărei grupe de ↵ bile
albe (ı̂n total Ca↵ ) câte o grupă de bile negre (ı̂n total Cb ) adică Ca↵ · Cb .
Deci
Ca↵ · Cb
P (a, b; ↵, ) = ↵+
Ca+b
Exemplul 2.6 Intr-o tabără studenţească sunt 60 băieţi şi 40 de fete. In
scopul unui sondaj privind opinia studenţească asupra programului se aleg la
ı̂ntâmplare 10 studenţi. Care este probabilitatea ca grupul ales să fie compus
din 6 fete şi 4 băieţi?

Soluţie. In acest caz a = 60, b = 40, ↵ = 4, = 6. Probabilitatea cerută

este
4 6
C60 · C40
P (a, b; ↵, ) = 10
= 0, 003
C100

2.4.4 Test de autoevaluare

10 Seminţele germinative ale unei plante reprezintă 95%.

1. Care este probabiliatatea ca din 4 seminţe să răsară 3 seminţe?
a) 0.171 b)1.171 c)0.333 (Răspuns a))
2. Care este probabiliatatea ca din 4 seminţe să răsară cel puţin una?
a) 0.815 b)0.999 c)0.185 (Răspuns b))

20 Un student are de susţinut ı̂ntr-o sesiune trei examene. Probabilităţile

de promovare ale acestor examene sunt: 0.95; 0.8 respectiv 0.75. Se
cere probabilitatea ca:
1. Studentul să promoveze toate examenele
a) 1.57 b)0.43 c)0.57 (Răspuns c))
2. Studentul să promoveze cel puţin un examen.

38
 a) 0.9975 b)0.0025 c)1.0025 (Răspuns a))
3. Studentul să promoveze cel mult două examene
a) 0.43 b)0.57 c)0.81 (Răspuns a))

2.5 Variabile aleatoare.

2.5.1 Definiţie. Operaţii.

Variabilele aleatoare sunt mărimi care se schimbă sub influenţa unor fac-
tori ı̂ntâmplători.

Definiţia 2.18 Variabila aleatoare este o funcţie definită pe mulţimea eveni-

mentelor legate de o experienţă şi cu valori ı̂n mulţimea numerelor reale.

Fie X o variabilă aleatoare. Aceasta ia valorile xi cu probabilităţile pi ,

i = 1, 2, . . . , n. Ea se prezintă sub forma unui tabel ce cuprinde 2 linii, una
cu valorile distincte xi ordonate crescător şi alta cu probabilităţile cu care
variabila ia aceste valori.
Acest tabel se numeşte repartiţia (distribuţia) variabilei aleatoare X.
Se notează astfel
0 1 0 1
B x 1 x 2 . . . xn C B xi C
X@ A sau X @ Ai = 1, 2, 3, . . . , n
p1 p2 . . . pn pi
n
X
cu condiţia pi = 1.
i=1

Exemplul 2.7 Se consideră experienţa ce constă ı̂n aruncarea unui zar. Fie
X variabila aleatoare care reprezintă numărul de puncte ce pot apare la arun-
carea zarului. Să se scrie repartiţia variabilei X.

39
 Soluţie. Variabila X poate lua valorile 1, 2, 3, 4, 5, 6, cu aceeaşi proba-
1
bilitate .
6
Repartiţia acestei variabile este
0 1
B 1 2 3 4 5 6 C
X@ 1 1 1 1 1 1 A
6 6 6 6 6 6
Variabila aleatoare pentru care mulţimea valorilor este finită se numeşte
variabilă aleatoare discretă.
Variabila aleatoare care ia valori ı̂ntr-un interval finit sau infinit de pe
axa numerelor reale este variabilă aleatoare continuă.

2.5.2 Operaţii cu variabile aleatoare.

0 1 0 1 0 1
B xi C B axi C B a + xi C
1. Dacă X @ A şi a o constantă atunci aX @ A, a + X @ A
pi pi pi
0 1 0 1
B xi C B xri C
2. Dacă X @ A atunci X r @ A
pi pi
0 1 0 1
B xi C B yj C
3. Fie X @ A şi Y @ A. Dacă X şi Y sunt independente, atunci
pi qj
0 1
B xi + yj C
a) X + Y @ A
p i qj
0 1
B xi · yj C
b) X · Y @ A
p i · qj

Observaţia 2.1 Dacă ı̂n suma sau produsul a două variabile aleatoare o
valoare se repetă de mai multe ori, ı̂n forma finală a repartiţiei ea va fi

40
scrisă o singură dată cu probabilitatea egală cu suma probabilităţilor cores-
punzătoare.

Exemplul 2.8 Fie

0 1 0 1
B 1 3 4 C B 1 2 C
X@ A Y@ A
0, 2 0, 3 0, 5 0, 3 0, 7
Se cere:
a). Repartiţia variabilei aleatoare X + Y ,
b). Repartiţia variabilei aleatoare X · Y .

Soluţie.
0 1
B 2 3 4 5 5 6 C
a) X + Y = @ A
0, 06 0, 14 0, 09 0, 21 0, 15 0, 35
0 1
2 3 4 5 6
=B
@
C
A
0, 06 0, 14 0, 09 0, 36 0, 35
0 1
B 1 2 3 6 4 8 C
b) X · Y = @ A
0, 06 0, 14 0, 09 0, 21 0, 15 0, 35

2.5.3 Funcţia de repartiţie a unei variabile aleatoare.

Pentru variabilele aleatoare discrete repartiţia lor este un mijloc uşor de

a le descrie. Pentru variabilele aleatoare continue trebuie cunoscută proba-
bilitatea ca ele să ia valori ı̂ntr-un interval ( 1, x). Această probabilitate
se numeşte funcţia de repartiţie sau de distribuţie.

Definiţia 2.19 Funcţia de repartiţie a variabilei aleatoare X este proba-

bilitatea ca variabila aleatoare X să ia valoari mai mici ca un număr real
x.

41
Se notează

F (x) = P (X < x), 8x 2 IR

Proprietăţi.

1. 0  F (x)  1

Rezultă din definiţia funcţiei de repartiţie.

2. F ( 1) = 0

Intr-adevăr F ( 1) = P (X < 1) = P ( ) = 0.

3. F (+1) = 1

Deoarece F (+1) = P (X < +1) rezultă

P (X < +1) = P (E) = 1

4. a). P (a  X < b) = F (b) F (a)

b). P (a < X < b) = F (b) F (a) P (X = a)

c). P (a < X  b) = F (b) F (a) P (X = a) + P (X = b)

d). P (a  X  b) = F (b) F (a) + P (X = b)

5. Funcţia F este crescătoare.

Dacă X este o variabilă aleatoare discretă cu repartiţia

0 1
x 1 x 2 . . . xn C
XB
@ A
Xn
p1 p2 . . . p n
pi = 1
i=1

42
atunci funcţia sa de repartiţie se calculează astfel
8
>
> 0 pentru x  x1
>
>
>
>
>
>
>
> p1 pentru x1 < x  x2
>
>
>
>
>
< p1 + p2 pentru x2 < x  x3
F (x) = > . .. ..
>
> .. . .
>
>
>
>
>
>
>
>
>
p1 + p2 + . . . + pn 1 pentru xn 1 < x  xn
>
>
>
: 1 pentru x > xn

Intr-adevăr

F (xk+1 ) = P (X < xk+1 ) = P [(X = x1 ) [ (X = x2 ) [ . . . (X = xk )] =

= p1 + p2 + . . . + pk

2.5.4 Densitatea de probabilitate (densitatea de repartiţie)

a unei variabile aleatoare.

Fie X o variabilă aleatoare continuă x 2 [a, b], şi F funcţia sa de repartiţie,

care se presupune că este derivabilă.

Definiţia 2.20 Funcţia f se numeşte densitate de probabilitate dacă

F 0 (x) = f (x).

Densitatea de probabilitate are următoarele proprietăţi:

1. f (x) 0, x 2 [a, b]
Z b
2. f (x)dx = 1
a

43
 Variabila aleatoare continuă X definită pe [a, b] va fi caracterizată de
densitatea de probabilitate f . Repartiţia unei astfel de variabile aleatoare
are forma: 0 1
x
XB
@
C
A
f (x)
x2[a,b]

Proprietăţile 1 şi 2 ale densităţii de probabilitate sunt condiţii care trebuie

ı̂ndeplinite pentru ca o funcţie f să fie densitate de probabilitate.
Din definiţia densităţii de probabilitate şi din proprietatea

P (x1  X < x2 ) = F (x2 ) F (x1 )

rezultă
Z x2
f (x)dx = F (x2 ) F (x1 ) = P (x1  X < x2 )
x1

Deci
Z x2
P (x1  X < x2 ) = f (x)dx
x1

S-a văzut ı̂n paragraful precedent cum se calculează funcţia de repartiţie

pentru o variabilă aleatoare discretă. Funcţia de repartiţie a unei variabile
aleatoare continue este 0 1
Z x x
F (x) = f (t)dt dacă X B
@
C
A
a f (x)
x2[a,b]
sau 0 1
Z x x
B C
F (x) = f (t)dt dacă X @ A
1 f (x)
x2IR

Exemplul 2.9 Să se afle funcţia de repartiţie pentru variabila aleatoare

0 1
B 1 2 3 4 C
X@ A
0, 3 0, 4 0, 2 0, 1

44
Soluţie. 8
>
>
>
> 0 pentru x1
>
>
>
>
>
> 0, 3 pentru 1<x2
>
>
<
F (x) = 0, 7 pentru 2<x3
>
>
>
>
>
>
>
> 0, 9 pentru 3<x4
>
>
>
>
: 1 pentru x>4
Exemplul 2.10 Fie funcţia
1
f (x) = (7x + 1), 8x 2 [0, 4]
60
Se cere:
a). Să se arate că f este densitate de probabilitate a unei variabile
aleatoare X cu valori ı̂n [0, 4].
b). Să se determine funcţia de repartiţie a acestei variabile aleatoare.
c). Să se calculeze P (X < 3) şi P (1  X < 3).

Soluţie.
a). Proprietatea 1 a densităţii de probabilitate este satisfăcută deoarece
x 2 [0, 4] şi deci 7x + 1 > 0.
Se verifică a doua proprietate.
Z 4
1 Z4
4
1 x2 56 4
f (x)dx = (7x + 1)dx = (7 · + x|40 ) = + =1
0 60 0 60 2 0
60 60
1
Deci f (x) = (7x + 1) este densitate de probabilitate.
60Z x
1 Zx 1
b). F (x) = f (t)dt = (7t + 1)dt = (7x2 + 2x)
0 60 0 120
1 23
c). P (X < 3) = F (3) = (7 · 9 + 2 · 3) =
120 40
23 3 1
P (1  X < 3) = F (3) F (1) = =
40 40 2

45
Exemplul 2.11 Se dă funcţia
8 
> ⇡ ⇡
>
>
> a cos x pentru x2 ,
>
< 2 2
g(x) =
>
> 
>
> ⇡ ⇡
>
: 0 pentru x 62 ,
2 2
Se cere:

a). Să se determine constanta a astfel ca g să fie densitate de probabili-

tate.

b). Să se determine funcţia de repartiţie a variabilei aleatoare X care are

ca densitate de probabilitate funcţia g.

Soluţie. a) Funcţia g(x) 0 dacă a 0 deoarece cos x 0 pentru x 2


⇡ ⇡
, .
2 2
Iar
Z +1 Z ⇡
⇡
2
g(x)dx = ⇡
a cos x dx = a sin x| 2 ⇡ = 2a = 1
1 2
2

1
deci a = .
2
Funcţia
8 
> 1 ⇡ ⇡
>
>
> cos x dacă x 2 ,
>
< 2 2 2
g(x) = >
>
> 
>
>
:
⇡ ⇡
0 dacă x 62 ,
2 2
este densitate de probabilitate.
Z x
1 1
b). F (x) = cos tdt = (sin x + 1)
⇡
2
2 2
Deci

46
 8
> ⇡
>
> 0 dacă x<
>
> 2
>
>
>
> 1 ⇡ ⇡
>
< (sin x + 1) dacă x
F (x) = 2 2 2
>
>
>
>
>
>
>
>
>
> ⇡
: 1 dacă x>
2

47
2.6 Repartiţii clasice.

2.6.1 Repartiţii clasice discrete.

1. Repartiţia Poisson.
Fie X variabila aleatoare ce reprezintă numărul de bile albe ce pot fi
extrase ı̂n cazul schemei lui Poisson. Ea are următoarea repartiţie
0 1
0 1 2 ... n C
XB
@ A
P0 P1 P2 . . . Pn

unde Pi , i = 0, 1, . . . , n reprezintă coeficientul lui xi din dezvoltarea

(p1 x + q1 ) . . . (pn x + qn ) = Pn xn + Pn 1 xn 1
+ . . . + P1 x + P0 (2.1)
n
X
Trebuie arătat că Pi = 1.
i=0
Pentru aceasta se ı̂nlocuieşte x = 1 ı̂n identitatea (2.1). Se obţine

(p1 + q1 )(p2 + q2 ) . . . (pn + qn ) = Pn + Pn 1 + . . . + P1 + P0

Dar pi + qi = 1.
Deci
n
X
Pi = 1
i=0

2. Repartiţia binomială (a lui Bernoulli).

Fie X variabila aleatoare ataşată schemei lui Bernoulli. Ea are următoarea
repartiţie
0 1
B 0 1 ... k ... n C
X@ A
Cn0 p0 q n Cn1 pq n 1 ... Cnk pk q n k ... Cnn pn q 0

48
Trebuie arătat că

Cn0 p0 q n + Cn1 pq n 1
+ . . . + Cnk pk q n k
+ . . . + Cnn pn q 0 = 1

Se porneşte de la faptul că

1 = 1n = (p + q)n

Folosind pentru (p + q)n formula binomului lui Newton se obţine

1 = pn + Cnn 1 pn 1 q + . . . + Cnk pk q n k
+ . . . + Cn0 p0 q n

3. Repartiţia bilei nerevenite (geometrică). Fie X variabila aleatoare

ataşată schemei bilei nerevenite. Ea are următoarea repartiţie
0 1
B 0 1 ... n C
X@ Ca0 Cbn Ca1 Cbn 1
Can Cb0
A
n
Ca+b n
Ca+b
... n
Ca+b

unde n = ↵ + .
Trebuie ca
Ca0 Cbn Ca1 Cbn 1
Can Cb0
n
+ n
+ ... + n
=1
Ca+b Ca+b Ca+b
ceea ce revine la a arăta că

Ca0 Cbn + Ca1 Cbn 1

+ . . . + Can Cb0 = Ca+b
n

Această identitate se obţine identificând coeficienţii lui xa+b n

din ambii
membri ai dezvoltării

(x + 1)a (x + 1)b = (x + 1)a+b

adică
Ca0 Cbn + Ca1 Cbn 1
+ . . . + Can Cb0 = Ca+b
n

49
2.6.2 Repartiţii clasice continue.

Repartiţiile clasice continue ale variabilelor aleatoare sunt utile ı̂n statis-
tica matematică deoarece sunt folosite direct ı̂n cercetarea unor caracteristici
cu valori continue ale populaţiilor şi ele aproximează suficient de bine din
punct de vedere practic multe din repartiţiile discrete ı̂ntâlnite ı̂n practică.
Repartiţia normală (a lui Gauss).
O variabilă aleatoare repartizată normal este de forma
0 1
B x C
X@ A
f (x)
x2IR

(x m)2
1
unde f (x) = p e 2 2 , m 2 IR, 2 IR+
2⇡
Aceasta este funcţia lui Gauss,
y 6care are graficul din figura 1.

-
m m m+ x

Figura 1. Funcţia lui Gauss.

Repartiţia normală se notează cu N (x; m, ) pentru a pune ı̂n evidenţă

faptul că ı̂n afară de argumentul x depinde şi de doi parametri m şi a căror
semnificaţie se va vedea ı̂n paragraful următor.

50
 Funcţia de repartiţie a variabilei aleatoare repartizată normal este
✓ ◆
1 x m
F (x) = +
2

unde este funcţia lui Laplace şi are valorile date ı̂n tabelul 1.
Dacă x < 0, atunci (+x) = ( x).
Rezultă imediat că
✓ ◆ ✓ ◆
x2 m x1 m
P (x1  X < x2 ) = F (x2 ) F (x1 ) =

Dacă m = 0 şi = 1 variabila aleatoare cu densitatea de probabilitate

N (x; 0, 1) se spune că urmează legea normală redusă sau normată.

2.7 Caracteristici numerice ale variabilelor a-

leatoare.

2.7.1 Valoarea medie (speranţa matematică).

Fie X o variabilă discretă cu repartiţia

0 1
B x1 x2 . . . xn C
X@ A
Xn
p1 p2 . . . pn
pi = 1
i=1

Definiţia 2.21 Valoarea medie a variabilei aleatoare X este egală cu suma

produselor dintre valorile variabilei şi probabilităţile corespunzătoare.

Se notează cu M (X) şi deci

n
X
M (X) = xi pi
i=1

51
Dacă X este o variabilă aleatoare continuă cu repartiţia
0 1
B x C
X@ A
f (x)
x2IR

atunci valoarea medie a variabilei aleatoare X este prin definiţie

Z +1
M (X) = xf (x)dx
1

Exemplul
0
2.12 Să 1
se calculeze valoarea medie a variabilelor aleatoare:
B 1 2 3 C
1. X @ 1 2 1 A
4 4 4 8
0 1 >
>
>
>
>
x dacă 0<x<1
x <
B C
2. X @ A unde f (x) = > x dacă 1<x0
f (x) >
>
x2IR
>
>
: 0 ı̂n rest
Soluţie.
1 2 1
1. M (X) = 1 · +2· +3· =2
4
Z +1 4 Z40 Z 1
2
2. M (X) = xf (x)dx = x dx + x2 dx =
1 1 0
0 1
x3 x3 1 1
= + = + =0
3 1 3 0 3 3
Proprietaţi ale valorii medii.
1. Valoarea medie este un număr cuprins ı̂ntre cea mai mică valoare şi
cea mai mare valoare a variabilei aleatoare.
2. Media unei constante a este egală cu constanta

M (a) = a

3. M (aX) = aM (X), a constantă.

4. M (X + Y ) = M (X) + M (Y ), X,Y variabile independente.
5. M (X · Y ) = M (X) · M (Y ) dacă X şi Y sunt independente.

52
2.7.2 Dispersia unei variabile aleatoare.

Valoarea medie, mediana sau modulul exprimă doar tendinţa centrală

a valorilor unei variabile aleatoare, dar nu oferă nici o informaţie asupra
ı̂mprăştierii, concentraţiei valorilor variabilei aleatoare. De aceea sunt nece-
sare caracteristici care să indice ı̂n ce măsură valorile se abat de la valoarea
centrală de grupare. Una din aceste caracteristici este dispersia.
Fie 0 1
xi C
XB
@ A
Xn
pi
pi = 1
i=1
o variabilă aleatoare discretă cu media M (X).
Variabila aleatoare X M (X) se numeşte abaterea de la medie şi are
repartiţia 0 1
xi M (X) C
X M (X)B
@ A
n
X
pi
pi = 1
i=1
Media abaterii de la medie este egală cu zero. Aceasta rezultă din pro-
prietăţile valorii medii. Deci, media abaterii de la medie nu poate furniza o
măsură a ı̂mprăştierii valorilor variabilei.

Definiţia 2.22 Prin definiţie dispersia variabilei aleatoare X este media

pătratelor abaterilor de la medie.

Dispersia se notează cu D2 (X) şi este dată de

D2 (X) = M [X M (X)]2

Pe baza proprietăţilor mediei se obţine

D2 (X) = M (X 2 2XM (X) + [M (X)]2 ) = M (X 2 )

53
 2M (X)M (X) + [M (X)]2 = M (X 2 ) [M (X)]2

Deci formula de calcul a dispersiei este

D2 (X) = M (X 2 ) [M (X)]2

Pentru o variabilă aleatoare continuă dispersia este dată de formula

Z b "Z #2
b
2 2
D (X) = x f (x)dx xf (x)dx
a a

dacă 0 1
B x C
X@ A
f (x)
x2[a,b]

Exemplul 2.13 Să se calculeze dispersia următoarelor variabile aleatoare

0 1
1 2 3 C
1. X B
@ 1 1 1 A
3 3 3
8
0 1 >
>
>
>
>
x dacă 1<x0
x <
B C
2. X@ A f (x) = x dacă 0<x<1
>
>
f (x) >
>
>
x2IR : 0 ı̂n rest
Soluţie.
0 1
1 2 3 1 4 9 C
1. M (X) = + + = 2, X 2B
@ 1 1 1 A
3 3 3
3 3 3
1 4 9 14 14 2
M (X 2 ) = + + = , D2 (X) = 4=
3 3 4 3 3 3
0 1
2
B x C
2. M (X) = 0, X 2 @ A
f (x)
x2IR
Z 0 Z 1 0 1
2 3 3 x4 x4
M (X ) = x dx + x dx = + =
1 0 4 1
4 0

54
 1 1 1
= + =
4 4 2
1
D2 (X) =
2

Proprietăţi ale dispersiei.

1. D2 (X) 0, rezultă din definiţie.

2. D2 (a) = 0

3. D2 (aX) = a2 D2 (X)

4. D2 (X + Y ) = D2 (X) + D2 (Y ), X, Y independente.

5. D2 (a + X) = D2 (X)

2.7.3 Abaterea medie pătratică a unei variabile alea-

toare.

Definiţia 2.23 Prin abaterea medie pătratică (abaterea standard sau

deviaţia standard) a unei variabile aleatoare se ı̂nţelege rădăcina pătrată
a dispersiei.

Se notează D(X) sau (X).

Deci
q
(X) = D2 (X)

Abaterea medie pătratică are aceleaşi dimensiuni ca variabila aleatoare X

şi de aceea este mai intuitivă ı̂n a exprima ı̂mprăştierea valorilor variabilei.

55
2.8 Calculul caracteristicilor numerice ale prin-
cipalelor repartiţii clasice.

2.8.1 Repartiţia Poisson.

Fie X variabila aleatoare ce reprezintă numărul de bile albe extrase ı̂n

schema lui Poisson: 0 1
0 1 2 ... n C
XB
@ A
P0 P1 P2 . . . Pn
Fie Xi variabila aleatoare ataşată urnei ui ı̂n schema lui Poisson. Ea are
următoarea repartiţie: 0 1
B 0 1 C
Xi @ A
qi p i
Calculând suma a două astfel de variabile aleatoare se obţine
0 1
B 0 1 2 C
X1 + X2 @ A
q1 q2 p 1 q2 + p 2 q1 p 1 p 2

Considerând produsul (p1 x + q1 )(p2 x + q2 ) = p1 p2 x2 + (p1 q2 + p2 q1 )x + q1 q2

se observă că probabilităţile cu care variabila aleatoare X1 + X2 ia valorile
0,1 şi 2 sunt tocmai coeficienţii lui x0 , x1 respectiv x2 . Prin urmare variabila
aleatoare X1 + X2 are repartiţie Poisson.
Din aproape ı̂n aproape, se ajunge la concluzia că

X = X1 + X2 + . . . + Xn

Atunci
M (X) = M (X1 ) + M (X2 ) + . . . + M (Xn )

56
Dar
M (Xi ) = 0 · qi + 1 · pi = pi

Deci
M (X) = p1 + p2 + . . . + pn

Pentru dispersie, se obţine

D2 (X) = D2 (X1 ) + D2 (X2 ) + . . . + D2 (Xn )

Dar
D2 (Xi ) = M (Xi2 ) [M (Xi )]2 = pi p2i = pi (1 p i ) = p i qi

Deci
D2 (X) = p1 q1 + p2 q2 + . . . + pn qn

Abaterea medie pătratică are valoarea

p
(X) = p 1 q1 + p 2 q2 + . . . + p n qn

2.8.2 Repartiţia binomială.

Variabila aleatoare X ataşată schemei lui Bernoulli are următoarea repartiţie

0 1
0 1 ... k ... n
XB
@
C
A.
Cn0 p0 q n Cn1 pq n 1 ... Cnk pk q n k ... Cnn pn q 0

Cum schema lui Bernoulli este un caz particular al schemei lui

Poisson, şi anume cazul când p1 = p2 = . . . = pn = p, q1 = q2 = . . . =
= qn = q, ı̂nseamnă că

p
M (X) = np, D2 (X) = npq, şi (X) = npq

57
2.8.3 Repartiţia normală.

Fie următoarea variabilă aleatoare continuă

0 1
x
XB
@
C
A
f (x)
x2IR

(x m)2
1 2
unde f (x) = p e 2 .
2⇡
Avem
M (X) = m, D2 (X) = 2
, D(X) =

Prin urmare parametrii m şi din densitatea de probabilitate a unei vari-

abile aleatoare normale reprezintă media respectiv abaterea medie pătratică
a variabilei aleatoare.

2.9 Test de autoevaluare

10 Se dau variabilele aleatoare independente
0 1 0 1
B 2 3 5 C B 1 4 6 C
X@ A şi Y @ A
0.2 0.3 0.5 0.6 0.2 0.2

1. Repartiţia
0 variabilei X + Y este: 1 0 1
B 3 4 6 7 8 C B 3 7 11 C
a) X @ A b) X @ A
0.12 0.18 0.34 0.06 0.04 0.8 0.5 0.7
0 1
B 3 7 11 C
c) X @ A (Răspuns a))
0.12 0.06 0.1
2. Repartiţia
0 variabilei X1· Y este:0 1
2 12 30 2 3 5 8 12 18 20 30
a) X B
@
C
A b) X @
B C
A
0.12 0.06 0.1 0.12 0.18 0.3 0.04 0.1 0.06 0.1 0.1

58
 0 1
B 3 7 11 C
c) X @ A (Răspuns b))
0.8 0.5 0.7
3. Valoarea medie M (X) este:
a)3.8 b)1.8 c)5.8 (Răspuns a))
4. Valoarea medie M (X · Y ) este:
a)1.88 b)9.88 c)30.88 (Răspuns b))
5. Dispersia D2 (X) este:
a)0.56 b)2.56 c)1.56 (Răspuns c))
6. Funcţia de
8 repartiţie a variabilei aleatoare X este:8
>
> x2 >
> x2
> 0
>
>
pentru
> > 0.2 pentru
>
>
> >
>
>
< >
<
0.2 pentru 2<x3 0.5 pentru 2<x3
a)F (x) = > b)F (x) = >
>
> 0.5 pentru 3<x5 >
> 1 pentru 3<x5
>
> >
>
>
> >
>
>
: >
:
1 pentru x>5 0 pentru x>5
8
>
> 1 pentru x2
>
>
>
>
>
>
< 0.2 pentru 2<x3
c)F (x) = (Răspuns a))
>
>
>
>
>
0.5 pentru 3<x5
>
>
>
: 1 pentru x>5

2.10 Bibliografie

1. Micula Maria: Matematici aplicate ı̂n agronomie, Casa de editură

Transilvania Press, Cluj - Napoca, 1997.
2. Trambitas R.: Metode statistice, Presa Universitară Clujeană, Cluj -
Napoca, 2000.
3. Kline M.: Mathematics for the Nonmathematician, Dover Publica-
tions, Inc., New York, 2006.

59
 4. http://probability.infarom.ro/

2.11 Probleme propuse.

1. Fie B1 evenimentul ca un bec aflat ı̂n comerţ să aibă defect de fabricaţie şi
B2 evenimentul ca becul să aibă defect de montaj. Să se exprime evenimentele
următoare ı̂n funcţie de evenimentele B1 şi B2 :
a) evenimentul ca becul să fie respins din comerţ;
b) evenimentul ca becul să fie admis ı̂n comerţ;
c) evenimentul ca becul să aibă ambele defecte.

2. Dintr-un lot de animale se alege unul la ı̂ntâmplare. Fie A evenimentul

ca animalul ales să fie mascul, B evenimentul ca animalul ales să fie vaccinat
şi C evenimentul ca animalul să fie de rasă indigenă.
1 . In ce constă evenimentul A \ B \ C?
2 . Cum se exprimă evenimentul ca nici o femelă să nu fie vaccinată?

3. Doi studenţi joacă o partidă de şah. Fie A evenimentul ca primul

student să câştige partida şi B ca al doilea student să câştige. Să se scrie
evenimentele corespunzătoare următoarelor afirmaţii.
1 . un singur student câştigă.
2 . partida se termină cu remiză.
3 . cel puţin un jucător câştigă.

4. Din şirul primelor 1000 numere naturale se alege la ı̂ntâmplare un

număr. Fie A evenimentul ca numărul ales să fie divizibil cu 2; B evenimentul

60
ca numărul ales să fie divizibil cu 3; C evenimentul ca numărul ales să se
termine cu cifra 0. Ce reprezintă evenimentele:

a)(A [ B) \ C, b)(A \ B) [ C, c)(A \ B) [ (A \ C).

5. Doi trăgători trag simultan asupra aceleiaşi ţinte. Fie A evenimentul

ca primul trăgător să nimerească ţinta şi B evenimentul ca al doilea trăgător
să nimerească ţinta. Să se scrie evenimentele corespunzătoare următoarelor
propoziţii:
a) un singur trăgător nimereşte ţinta;
b) ambii trăgători nimeresc ţinta;
c) ţinta este atinsă;
d) ţinta nu este atinsă.

6. Intr-o sesiune, un student are de dat 3 examene. Fie A, B şi C eveni-

mentul ca studentul să promoveze primul examen, ca studentul să promoveze
al doilea examen şi respectiv ca studentul să promoveze al treilea examen.

a) Sunt compatibile evenimentele:

1 . A, B şi C

2 . A \ B şi A [ C

3 . A \ B şi (A [ C) \ B

b) In ce constă evenimentul:

1 . studentul promovează toate examenele;

2 . studentul nu promovează nici un examen;

61
 3 . studentul promovează un singur examen;

4 . studentul promovează două examene;

5 . studentul promovează cel mult două examene;

6 . studentul promovează cel puţin un examen.

7. Intr-o populaţie de animale 300 sunt vaccinate, iar 200 nu sunt

vaccinate. Care este probabilitatea ca un animal luat la ı̂ntâmplare să se
ı̂mbolnăvească?

8. Din cuvântul ”matematica” se alege la ı̂ntâmplare o literă. Care este

probabilitatea ca această literă să fie ”a”. Care este probabilitatea ca această
literă să fie o consoană.

9. Din 60 de ı̂ntrebări de pe biletele de examen un student pregăteşte 50.

Care este probabilitatea ca pe biletul tras de el, biletul având două ı̂ntrebări,
să fie ı̂ntrebări din cele pregătite de student.

10. Sunt semănate dalii de diferite culori, şi anume, 40 albe, 80 roşii, 100
galbene, 120 albastre şi 200 violete. Care este probabilitatea de a răsări mai
ı̂ntâi o dalie colorată?

14. Pe un strat cu flori sunt 60 de fire albe şi 40 roşii, iar pe un alt strat
sunt 80 albe şi 50 roşii. Se smulge, fără a privi, câte o floare simultan, sau
succesiv, de pe ambele straturi. Care este probabilitatea ca cele două flori
să fie de aceeaşi culoare?

15. Intr-o fabrică de becuri defectele de fabricaţie ale becurilor sunt ı̂n

62
proporţie de 2%, iar defectele de montaj ı̂n proporţie de 5%. Care este
probabilitatea eliminării din comerţ a unui bec?

16. Două brigăzi care lucrează ı̂ntr-o unitate agricolă depăşesc norma cu
probabilitatea 0, 8 brigada B1 , şi cu 0, 6 brigada B2 .
a) Care este probabilitatea ca ambele brigăzi să depăşească norma?
b) Care este probabilitatea ca ı̂n unitatea agricolă norma să fie depăşită?
c) Care este probabilitatea ca norma să nu se depăşească?
d) Care este probabilitatea ca numai o brigadă să depăşească norma?

18. Care este probabilitatea ca dintr-un amestec de seminţe, care conţine

60 seminţe de calitatea a I-a, 40 de a II-a şi 80 de a III-a să scoatem o
sămânţă de calitatea a I-a sau a II-a?

19. Intr-o ladă care conţine 150 de mere, 62 sunt de soi A, 35 de soi B şi
restul de soi C. Să se calculeze probabilitatea ca un măr luat la ı̂ntâmplare
să fie din soiul B sau C.

20. Un student are de susţinut ı̂ntr-o sesiune trei examene. Probabilită-

ţile de promovare ale acestor examene sunt 0, 95; 0, 8 respectiv 0, 75. Se cere
probabilitatea ca:
1 . studentul să promoveze toate examenele;
2 . să promoveze cel puţin un examen.

21. Doi trăgători trag câte un foc asupra unei ţinte. Primul nimereşte
7 9
ţinta cu probabilitatea , iar al doilea cu probabilitatea . Care este prob-
9 11
abilitatea ca ţinta să fie atinsă?

63
 27. Apariţia unei colonii de microorganisme dintr-o specie dată, ı̂n condiţii
determinate, este dată de probabilitatea de 0, 8. Care este probabilitatea ca
ı̂n 4 cazuri să apară de 2 ori?

28. Fibrele de bumbac 70% sunt lungi. Care este probabilitatea ca printre
10 fibre alese la ı̂ntâmplare 8 să fie lungi?

4
29. Probabilitatea ca un student să promoveze un examen scris este ,
5
3
ca studentul situat la stânga lui să promoveze acelaşi examen este şi ca
5
1
studentul situat la dreapta lui să promoveze este . Presupunând că nici
5
unul dintre aceşti studenţi nu se uită la lucrarea vecinului, să se găsească
probabilitatea ca doi studenţi să promoveze?

30. S-a constatat experimental că, ı̂n general, din 100 seminţe 6 nu ger-
minează. Care este probabilitatea ca din 10 seminţe 7 să germineze şi 3
nu?

31. Intr-o grupă sunt 25 studenţi din care 13 sunt băieţi. In vederea
participării la concursul de ”Miss Boboc” se alege un grup de 8 studenţi.Care
este probabilitatea ca acest grup să fie formată din 4 băieţi?

32. Probabilitatea ca un portar al unei echipe de fotbal să prindă mingea

la o lovitură liberă de pedeapsă de la 11m este p = 0, 3. Se cere:

a) probabilitatea ca din 3 lovituri să prindă mingea la toate loviturile;

b) probabilitatea ca din 3 lovituri să primească cel mult două goluri.

64
 34. Se dă variabila aleatoare
0 1
1 2 3 C
XB
@ A
0, 2 0, 5 0, 3

Se cere:
1 . repartiţia variabilei X 2 ;
2 . repartiţia variabilei 3X;
2
3 . repartiţia variabilei X ;
4 . repartiţia variabilei X 2.

35. Se dau variabilele aleatoare independente

0 1 0 1
B 2 3 5 C B 1 4 6 C
X@ A şi Y @ A
0, 2 0, 3 0, 5 0, 6 0, 2 0, 2

Se cere:
1 . repartiţia variabilei X + Y ;
2 . repartiţia variabilei X · Y .

36. Se dă variabila aleatoare

0 1
B 1 2 3 4 C
X@ 7 1 1 A
p2 p
4 3 6
Să se calculeze P (X  3).

37. Se dă variabila aleatoare

0 1
B 1 0 1 C
X@ A
0, 2 0, 3 0, 5

Se cere:

65
 1 . valoarea medie a variabilei aleatoare;
2 . dispersia şi abaterea medie pătratică;
3 . funcţia de repartiţie;
4 . P (X < 1) şi P ( 1  X < 1).
38. Fiind date variabilele aleatoare independente
0 1 0 1
B 1 2 C B 1 2 3 C
X@ 1 2 A şi Y @ 1 2 1 A
3 3 4 4 4
Se cere să se calculeze:
1 . M (X), M (Y ), D2 (X), D2 (Y );
2 . M (X + Y ), D2 (X + Y );
3 . M (X · Y ), D2 (X · Y ).

39. Se dă funcţia

8 x
>
>
<
g(x) = ↵ · e 3 dacă x>0
>
>
: 0 ı̂n rest

Se cere:
1 . să se determine ↵ astfel ca g(x) să fie densitate de probabilitate;
2 . să se determine funcţia de repartiţie a variabilei aleatoare
0 1
B x C
X@ A
g(x)
x2IR

cu ↵ determinat la punctul 1.
3 . să se calculeze P (X < 6);
4 . să se calculeze M (X), Me , M0 , D2 (X).

66
 40. Un student are de dat ı̂ntr-o sesiune 4 examene. Probabilităţile de
2 3 2 1
promovare a acestor examene sunt , , şi . Se cere:
3 5 5 6
1 . probabilitatea ca studentul să promoveze toate examenele;
2 . probabilitatea ca studentul să promoveze cel mult două examene;
3 . probabilitatea ca studentul să promoveze cel puţin un examen;
4 . să se scrie repartiţia variabilei aleatoare ce reprezintă numărul de
examene ce pot fi promovate de student;
5 . să se determine funcţia de repartiţie a variabilei aleatoare de la punctul
4 .;
6 . să se calculeze probabilitatea ca studentul să promoveze cel puţin două
examene dar nu mai mult de trei examene;
7 . să se afle numărul mediu de examene ce pot fi promovate de student;
8 . să se afle dispersia şi abaterea standard ale numărului de examene ce
pot fi promovate de student.

41. La un concurs se prezintă 12 concurenţi din care 7 sunt băieţi. Ei

sunt ı̂mparţiţi ı̂n 3 grupe a câte 4 concurenţi, fiecare grupă prezentându-se o
singură dată la concurs. Se cere:
1 . Care este probabilitatea ca ı̂n prima zi să se prezinte trei băieţi şi o
fată.
2 . Care este probabilitatea ca ı̂n prima zi să se prezinte un băiat şi trei
fete.
3 . Să se scrie repartiţia variabilei ce reprezintă numărul de băieţi ce se
pot prezenta la concurs ı̂n prima zi.
4 . Să se determine funcţia de repartiţie a variabilei aleatoare de la punctul
3.

67
 5 . Să se calculeze probabilitatea ca ı̂n prima zi să se prezinte la concurs
cel puţin un băiat şi cel mult trei băieţi.
6 . Să se calculeze numărul mediu de băieţi ce se pot prezenta la concurs
ı̂n prima zi.
7 . Să se calculeze dispersia şi abaterea standard ale numărului de băieţi
ce se pot prezenta la concurs ı̂n prima zi.

68
Capitolul 3

ELEMENTE DE STATISTICĂ
BIOLOGICĂ

3.1 Obiective

Statistica matematică are o dezvoltare şi aplicabilitate deosebită pe o scară

largă şi ı̂ntr-o multitudine de domenii ale cunoaşterii umane. Acest capi-
tol urmăreşte ı̂nsuşirea conceptelor de bază ı̂n iniţierea studiului statisticii
matematice cât şi modul de aplicare al metodelor de lucru specifice acesteia:
culegerea şi reprezentarea datelor; interpretarea datelor statistice cu ajutorul
graficelor şi al diagramelor; utilizarea datelor statistice pentru analiza de caz;
transpunerea ı̂n limbaj matematic, prin mijloace statistice, a unor probleme
practice; corelarea datelor statistice ı̂n situaţii concrete; predicţia comportării
unui sistem prin analogie cu modul de comportare ı̂n situaţii studiate.

69
3.2 Noţiuni de bază.
Statistica matematică este o ramură a matematicii aplicate care se ocupă
cu gruparea, analiza şi interpretarea datelor referitoare la un anumit fenomen
ı̂n scopul obţinerii unor previziuni privind desfăşurarea sa ulterioară.
Fundamentul teoretic al Statisticii matematice este Calculul probabilită-
ţilor, dezvoltarea ei fiind ı̂n strânsă legătură cu această disciplină.
Una din noţiunile de bază ale statisticii matematice este populaţia sta-
tistică prin care se ı̂nţelege o mulţime de elemente, având un anumit număr
de ı̂nsuşiri esenţiale comune, care este supusă unor prelucrări statistice.
In biologie prin populaţie se ı̂nţelege o comunitate de indivizi care ocupă
acelaşi areal, au aceeaşi amplitudine de variaţie a eredităţii, se reproduc ı̂n
acelaşi mod şi au suferit aceeaşi acţiune a selecţiei.
Se desprinde din cele două definiţii ale populaţiei, că cerinţa pentru ca
o mulţime să constituie o populaţie, este să aibă cel puţin o caracteristică
comună.
Caracteristicile (caracterele) indivizilor unei populaţii pot fi cantitative
(numărul boabelor dintr-un spic de grâu de un anumit soi, numărul purceilor,
lungimea ştiuleţilor de porumb) sau calitative (culoarea, sexul, etc.)
Din alt punct de vedere, caracteristicile pot fi discrete dacă se exprimă
ı̂n numere ı̂ntregi, şi continue dacă variază ı̂ntr-un interval.
O caracteristică cantitativă poartă numele de variabilă (aleatoare), iar
o caracteristică calitativă de atribut.
In practica statistică nu se lucrează direct cu populaţia, deoarece aceasta
cuprinde un număr mare de indivizi (elemente), iar ı̂n anumite cercetări se
dispune de o cantitate limitată de material de analiză. De aceea, se ex-

70
trage o subcolectivitate din populaţia considerată, care permite să se obţină
informaţii despre populaţie. Această subcolectivitate se numeşte selecţie,
lot, probă sau eşantion. In continuare se va folosi denumirea de selecţie.
Această metodă de extragere a unei selecţii din populaţie, se numeşte
metoda selecţiei. La baza acestei metode stau următoarele criterii:
- toţi indivizii populaţiei care alcătuiesc selecţia sunt extraşi la ı̂ntâmplare,
- toţi indivizii au aceeaşi probabilitate (şansă) de a face parte din selecţia
extrasă.
Statistica cuprinde o mulţime de metode care aplicate unei selecţii permit
emiterea unor concluzii ce pot fi generalizate asupra populaţiei din care a fost
extrasă selecţia.
Orice studiu statistic constă ı̂n culegerea datelor statistice, care poate
fi realizată prin simpla observare a fenomenului respectiv sau prin experi-
mentare, adică provocând voit fenomenele respective, şi ı̂n analiza sau inter-
pretarea lor.
Fie X o caracteristică cantitativă a populaţiei P , ce va fi studiată. Se ex-
trage o selecţie din această populaţie de mărime n, adică selecţia va cuprinde
n indivizi sau elemente. Acest număr n se va numi volumul selecţiei.
Fie x1 , x2 , . . . , xn valorile caracterului X pentru selecţia extrasă din
populaţia P . Aceste valori pot fi distincte sau pot să se repete de un anumit
număr de ori. Numărul de repetări ale valorii xi se numeşte frecvenţa
absolută a acestei valori. Ea se notează cu ni .
Dacă valorile x1 , x2 , . . . , xk au frecvenţele absolute n1 , n2 , . . . , nk atunci
n1 + n2 + . . . + nk = n.
Raportul dintre frecvenţa absolută a valorilor xi şi volumul selecţiei se

71
 ni
numeşte frecvenţa relativă fi a acestei valori. Deci fi = n
. Se observă că
f1 + f2 + . . . + fk = 1.
ni
Dacă raportul se interpretează ca raportul dintre numărul cazurilor
n
favorabile valorii xi şi numărul cazurilor posibile de apariţie a valorii xi ,
atunci fi poate fi considerată ca probabilitatea de apariţie a valorii xi .

3.3 Modul de prezentare a datelor statistice.

Rezultatele de observaţie obţinute la indivizii unei selecţii pot fi prezentate

prin tabele sau grafic.
Tabelele conţin valorile de observaţie distincte xi ale caracterului studiat,
ordonate crescător, şi frecvenţele absolute ni ale acestora.
Tabelul cu datele ordonate crescător şi cu frecvenţele lor (absolute sau
relative) se va numi repartiţie de frecvenţe.
Repartiţia de frecvenţe are următoarea formă:
xi ni
x1 n1
x2 n2
.. ..
. .
xk nk
k
X
ni = n
i=1
Dacă frecvenţele absolute ale unei repartiţii de frecvenţe cresc până la un
anumit număr şi descresc asemănător se spune că repartiţia este simetrică.
Dacă numărul valorilor de observaţie este mare, atunci aceste valori se
grupează ı̂n clase, adică ı̂n intervale de numere. Pentru aceasta trebuie sta-

72
bilite: numărul claselor, lungimea sau mărimea intervalului de clasă, limitele
claselor şi frecvenţa absolută a clasei.
La ı̂mpărţirea datelor ı̂n clase se va avea ı̂n vedere că:
- un număr prea mic de clase pierde trăsăturile esenţiale ale fenomenelor
studiate, iar un număr prea mare de clase pierde avantajul grupării;
- clasele trebuie să aibă aceeaşi lungime, pentru a uşura calculele;
- alegerea numărului de clase trebuie astfel făcută ı̂ncât repartiţia de
frecvenţe să fie cât mai simetrică.
Fie k numărul claselor. Acesta se calculează după formula

k = 5 lg n (3.1)

Formula (3.1) este orientativă. k trebuie să fie astfel ales ı̂ncât să satisfacă
şi criteriile de mai sus.
Pentru calculul lungimii I a clasei sau a intervalului de clasă se va
folosi formula:
xmax xmin
I= (3.2)
k
unde xmax şi xmin reprezintă cea mai mare respectiv cea mai mică valoare din
repartiţia de frecvenţe.
Deoarece ı̂n majoritatea cazurilor, I este un număr zecimal, se va lua
numărul ı̂ntreg cel mai apropiat de valoarea găsită.
Pentru stabilirea limitelor claselor este suficient să se cunoască limita
inferioară şi superioară a primei clase, celelalte obţinându-se prin adăugarea
la acestea a intervalului de clasă.
Fie l1 şi L1 limita inferioară respectiv superioară a primei clase. Deter-
minarea lor se face după criteriile:

73
 I. Se ia l1 = xmin . Atunci L1 = l1 + I.

In prima clasă vor intra toate valorile xi care aparţin intervalului [l1 , L1 ).
Celelalte clase vor avea forma [li , Li ), i = 2, 3, . . . k unde
li = li 1 + I, Li = Li 1 + I.

II. Un alt criteriu de alegere a limitei inferioare a primei clase este ı̂n
funcţie de intervalul de clasă: dacă I este număr par, atunci prima clasă va
avea ca limită inferioară l1 , multiplul intervalului de clasă cel mai apropiat de
xmin dar mai mic sau egal cu acesta, iar dacă I este impar atunci se calculează
centrul primei clase care trebuie să fie multiplul intervalului de clasă cel mai
I
apropiat de xmin dar mai mare ca acesta. Atunci l1 = xcentru
2

Dintre aceste criterii se aplică acela care conduce la o repartiţie de frecvenţe

cât mai simetrică.

Frecvenţele absolute sau relative ale claselor se calculează ı̂nsumând frecvenţele

absolute (relative) ale valorilor cuprinse ı̂n clasa respectivă.

Exemplul 3.1 Numărând boabele de la 200 spice de grâu de un anumit soi

s-au ı̂nregistrat următoarele valori ordonate crescător

74
 xi ni xi ni xi ni xi ni xi ni
23 1 36 1 45 10 54 8 63 2
28 1 37 1 46 5 55 9 64 3
29 1 38 5 47 5 56 4 65 1
30 1 39 3 48 10 57 4 66 2
31 1 40 2 49 17 58 3 67 2
32 1 41 6 50 22 59 2 68 1
33 2 42 4 51 10 60 8 69 2
34 3 43 7 52 6 61 2 70 3
35 1 44 8 53 7 62 2 77 1

Soluţie. Conform formulei (3.1) numărul claselor este dat de

k = 5 lg 200 ⇡ 11.

Intervalul de clasă, conform formulei (3.2) este

77 23 54
I= = ⇡ 5.
11 11

Se alege l1 ca fiind egal cu xmin . Deci l1 = 23 şi L1 = 28.

Se obţine următoarea repartiţie de frecvenţe:

75
 Clasele xcentru ni fi
[23, 28) 25 1 0,005
[28, 33) 30 5 0,025
[33, 38) 35 8 0,04
[38, 43) 40 20 0,1
[43, 48) 45 35 0,175
[48, 53) 50 65 0,325
[53, 58) 55 32 0,16
[58, 63) 60 17 0,085
[63, 68) 65 10 0,05
[68, 73) 70 6 0,03
[73, 77] 75 1 0,005
200 1

Observaţia 3.1 Centrul clasei s-a ales număr ı̂ntreg având ı̂n vedere că xi
reprezintă numărul de boabe ale unui spic de grâu.

Exemplul 3.2 Fie următoarele valori ordonate crescător:

76
 xi ni xi ni xi ni xi ni xi ni xi ni xi ni
51 1 78 1 91 2 104 2 116 1 128 1 138 1
52 1 80 1 92 1 105 4 117 1 129 2 140 1
60 1 81 2 93 2 106 3 118 1 131 1 143 1
62 1 82 1 94 2 107 2 119 1 132 2 144 2
65 1 83 1 95 3 108 2 120 1 133 1 145 1
68 1 84 1 96 2 112 2 121 1 134 1 149 1
71 1 85 1 101 3 113 3 122 2 135 1 152 1
73 2 86 2 102 3 114 4 123 2 136 1 155 1
74 2 87 1 103 3 115 3 124 1 137 1 158 1

Soluţie. In total sunt 100 valori. Rezultă că numărul de clase ı̂n care
se grupează aceste date va fi k = 10, iar intervalul de clasă I = 11, 7. Prin
urmare I se poate lua 12. Atunci limita inferioară a primei clase după cel
de-al doilea criteriu enunţat mai sus, va fi 48, iar cea superioară 60. Deci
ı̂n prima clasă vor intra toate valorile xi din intervalul (l1 , L1 ]. Analog ı̂n
celelalte clase.

Se obţine următoarea grupare ı̂n clase:

77
 Clasele xcentru ni fi
(48,60] 54 3 0,03
(60,72] 66 4 0,04
(72,84] 78 11 0,11
(84,96] 90 16 0,16
(96,108] 102 22 0,22
(108,120] 114 17 0,17
(120,132] 126 12 0,12
(132,144] 138 9 0,09
(144,156] 150 4 0,04
(156,168] 162 2 0,02
100 1

Dacă se alege I = 11 atunci se determină centrul primei clase, care va fi

55 şi deci l1 = 55 5, 5 = 49, 5 iar L1 = 60, 5.

In acest caz se obţine următoarea repartiţie de frecvenţe:

78
 Clasele xcentru ni fi
[49, 5; 60, 5) 55 3 0,03
[60, 5; 71, 5) 66 4 0,04
[71, 5; 82, 5) 77 9 0,09
[82, 5; 93, 5) 88 12 0,12
[93, 5; 104, 5) 99 17 0,17
[104, 5; 115, 5) 110 23 0,23
[115, 5; 126, 5) 121 12 0,12
[126, 5; 137, 5) 132 10 0,1
[137, 5; 148, 5) 143 5 0,05
[148, 5; 159, 5) 154 4 0,04
[159, 5; 170, 5) 165 1 0,01
100 1
Se observă că prima repartiţie este mai puţin asimetrică decât a doua.
Astfel că este preferat I = 12.

Repartiţiile de frecvenţe pot fi reprezentate şi prin grafice, ceea ce permite

să se facă comparaţii pe cale vizuală.

Reprezentarea grafică se face după cum datele statistice sunt sau nu gru-
pate ı̂n clase.

1. Diagrama ı̂n bastoane pentru repartiţii de frecvenţe cu date negru-

pate. Pentru a construi diagrama ı̂n bastoane se iau pe axa Ox punctele de
abscisă xi şi din aceste puncte se ridică perpendiculare de mărime egală sau
proporţională cu frecvenţa (absolută sau relativă) a valorii respective.

2. Histograma. Aceasta este graficul pentru date grupate. Ea se obţine

construind pe axa Ox dreptunghiuri care au ca bază intervalul de clasă iar

79
ca ı̂nălţime frecvenţa absolută (relativă) a clasei respective. Valorile xcentru
din repartiţie sunt mijloacele bazelor dreptunghiurilor.

Exemplul 3.3 Să se construiască graficul următoarelor repartiţii de frecvenţe:

1.
xi 6,5 7 7,5 8 8,5
ni 4 8 6 7 5
2. Repartiţia din exemplul 3.1.
Soluţie.
1. Graficul corespunzător este diagrama ı̂n bastoane (fig. 1).

y 6

8 -
7 -
6 -
5 -
4 -

-
6.5 7 7.5 8 8.5 x

Figura 1. Diagrama ı̂n bastoane.

2. Datele fiind grupate, graficul corespunzător este histograma (fig. 2).

80
 y6
*
60 -
50 -

40 -
*
30 - *

20 - *
*
10 -
* *
* *
* * -
25 30 35 40 45 50 55 60 65 70 75 x

Figura 2. Histograma .

Unind mijloacele bazelor superioare ale dreptunghiurilor, se obţine

poligonul frecvenţelor.
Dacă intervalul de clasă este egal cu 1 şi ı̂nălţimile dreptunghiurilor sunt
frecvenţele relative, atunci aria totală a histogramei este egală
cu 1. Dacă intervalul de clasă este mic şi numărul de clase este mare, atunci
poligonul frecvenţelor tinde către o curbă numită curba frecvenţelor.

3.4 Indicatori ai repartiţiilor de frecvenţe.

Datele aranjate ı̂ntr-un tabel sau reprezentate grafic scot ı̂n evidenţă struc-
tura materialului numeric studiat.
Se observă o tendinţă de grupare a datelor ı̂n jurul unei valori situate
ı̂n centrul graficului sau repartiţiei de frecvenţe. Dacă se măsoară mărimea
abaterii de la valoarea centrală se constată că sunt mai frecvente abater-
ile mici decât cele mari că ı̂n ambele părţi faţă de punctul de concentrare
maximă abaterile se echilibrează aproape complet şi că abaterile mari sunt
foarte rare. Inseamnă că repartiţia de frecvenţe se poate caracteriza printr-o
valoare sau mai multe valori şi anume acelea care sunt cele mai reprezentative
pentru toată repartiţia. Aceste valori se numesc indicatori ai repartiţiilor

81
de frecvenţe.

3.4.1 Indicatori de poziţie.

Definiţia 3.1 Indicatorii de poziţie sunt valori ce măsoară tendinţa centrală

a repartiţiei de frecvenţe.

Sub denumirea de indicatori de poziţie sunt cunoscute media aritmeti-

că, mediana şi modulul.
Media aritmetică este o valoare aproximativă a valorii centrale a
repartiţiei de frecvenţe ı̂n jurul căreia fluctuează valorile variabilei X.
Fie x1 , x2 , . . . , xn valorile distincte ale caracterului X studiat la o selecţie
de volum n. Atunci media aritmetică, notată cu x, este dată de formula:
n
X
xi
i=1
x= (3.3)
n

Dacă repartiţia de frecvenţe cu date grupate sau nu, este de forma:

xi ni
x1 n1
x2 n2
.. ..
. .
xk nk
n
atunci media x va fi dată de formula:
n
X
xi ni
i=1
x= (3.4)
n

82
 ni
Ţinând seama că fi = , se observă că media dată de formula (3.4)
n 0 1
B xi C
reprezintă media unei variabile aleatoare X cu repartiţia X @ A,
fi
i = 1, 2, . . . , k. Prin urmare media unei repartiţii de frecvenţe are aceleaşi
proprietăţi ca şi media unei variabile aleatoare. In plus, media unei repartiţii
de frecvenţe pentru date negrupate, mai are două proprietăţi.
1. Suma abaterilor valorilor repartiţiei de la medie este egală cu
zero.
2. Suma pătratelor abaterilor este minimă atunci când abaterile
se calculează faţă de media x.
Deoarece formula (3.4) este greoaie, pentru datele grupate ı̂n clase este
utilă ı̂n calcule următoarea formulă:
k
X xi xp
ni
i=1 I
x = xp + I (3.5)
n
unde xp - este valoarea repartiţiei de frecvenţe corespunzătoare frecvenţei
absolute celei mai mari, numită media ipotetică sau cea mai probabilă,

I - intervalul de clasă
xi - centrul clasei.

Calculul mediei dată de formula (3.5) se efectuează pe baza unui tabel ce

arată astfel:
xi xp xi xp
xi ni xi xp I
ni
I

Exemplul 3.4 Să se calculeze pe baza formulei (3.4) media următoarei repartiţii
de frecvenţe:

83
 xi ni xi ni
6,5 4 26
7 8 56
225, 5
7,5 6 45 x= = 7, 52
30
8 7 56
8,5 3 42,5
30 225,5
Exemplul 3.5 Să se calculeze media repartiţiei de frecvenţe obţinută ı̂n ex-
emplul 3.1

xi xp xi xp
xi ni xi xp ni
I I
25 1 -25 -5 -5
30 5 -20 -4 -20
35 8 -15 -3 -24
40 20 -10 -2 -40
45 35 -5 -1 -35
xp = 50 65 0 0 0
55 32 5 1 32
60 17 10 2 34
65 10 15 3 30
70 6 20 4 24
75 1 25 5 5
200 -124+125=1

1 1
I = 5, xp = 50, x = 50 + 5 = 50 + = 50 + 0, 025 = 50, 025
200 40

84
 Concluzia este: numărul mediu de boabe al unui spic de grâu din soiul
studiat este de 50 de boabe.
Media este un indicator ce pune ı̂n evidenţă numai trăsăturile generale ale
indivizilor unei populaţii, oglindind nivelul mediu al caracterului studiat. Ea
nu este suficientă pentru un studiu statistic mai ales când volumul selecţiei
este mic.
Mediana, notată cu Me , este acea valoare a repartiţiei de frecvenţe care
ı̂mparte valorile acesteia ı̂n două părţi egale ca număr.
Calculul medianei ı̂n cazul datelor negrupate se face scriind valorile xi ı̂n
ordine crescătoare (fiecare valoare se repetă de atâtea ori cât este frecvenţa
sa absolută). Dacă şirul are un număr impar de valori, n = 2k + 1, atunci
mediana coincide cu valoarea xk+1 , deci Me = xk+1 .
Dacă şirul are un număr par de valori n = 2k, atunci există două valori
xk + xk+1
situate ı̂n mijlocul şirului, xk şi xk+1 , iar Me = .
2
In cazul datelor grupate ı̂n clase, există o clasă care conţine mediana, nu-
mită clasă mediană. Clasa mediană se determină calculând suma frecvenţelor
absolute (de sus ı̂n jos) până se obţine un număr
n n
S0  . Dacă S0 = atunci clasa mediană este clasa pentru care suma
2 2
frecvenţelor absolute este egală cu S0 (frecvenţa absolută cumulată). Dacă
n
S0 < atunci clasa mediană este clasa următoare clasei unde s-a găsit S0 .
2 n n
Dacă n = 2k atunci = k, iar dacă n = 2k + 1, atunci = k + 1.
2 2
Fie (xe , xE ) limitele clasei mediane, ne frecvenţa absolută a clasei medi-
ane. Calculul medianei se face cu ajutorul formulei:
n
2
S0
Me = x e + I (3.6)
ne
unde

85
 xe - este limita inferioară a clasei mediane;
I - intervalul de clasă;
S0 - frecvenţa absolută cumulată;
ne - frecvenţa absolută a clasei mediane.

Exemplul 3.6 Să se afle mediana următoarelor date statistice:

1. xi ni 2. xi ni 3. xi ni S0
6 2 114 2 25 1 1
7 3 115 4 30 5 6
8 3 116 5 35 8 14
9 8 117 7 40 20 34
10 14 118 12 45 35 69 = S0
11 9 119 5 Me 50 65
12 7 120 3 55 32
13 2 121 1 60 17
39 65 10
70 6
75 1
200
n
= 100, S0 = 69
2
Soluţie.
10 + 10
1. Me = = 10 2. Me = 118
2
3. Clasa mediană este clasa cu centrul 50. Limita inferioară a clasei
mediane este
I 5
xe = xcentru = 50 = 47, 5
2 2

86
Deci
100 69 31
Me = 47, 5 + 5 · = 47, 5 + = 49, 8
65 13
Modulul (valoare modală, dominantă) este acea valoare a unei repartiţii
de frecvenţe căreia ı̂i corespunde cea mai mare frecvenţă absolută.
In cazul datelor negrupate, modulul se determină uşor ţinând seama de
definiţia sa. Pot fi mai multe valori modale ı̂ntr-o repartiţie de frecvenţe,
ceea ce ı̂nseamnă că selecţia nu e omogenă.
Pentru datele grupate există o clasă modală, fiind acea clasă căreia ı̂i
corespunde frecvenţa absolută cea mai mare.
Formula de calcul al modulului ı̂n acest caz este:

n0 n 1
M0 = x 0 + I (3.7)
2n0 n 1 n+1

unde

x0 - limita inferioară a clasei modale;

I - intervalul de clasă;
n0 - frecvenţa absolută a clasei modale;
n 1 - frecvenţa absolută a clasei inferioare clasei modale;
n+1 - frecvenţa absolută a clasei superioare clasei modale.

Exemplul 3.7 Să se calculeze modulul repartiţiilor de frecvenţe din exemplul

3.6 punctele 2 şi 3.

Soluţie.

a) Pentru exemplul 2, M0 = Me = 118.

87
b) Pentru exemplul 3, clasa modală coincide cu cea mediană, deci

65 35
M0 = 47, 5 + 5 · = 49, 8
130 35 32

In cazul repartiţiilor simetrice, cei trei indicatori de poziţie coincid.

Intrucât mediana nu depinde decât de valorile centrale ale repartiţiei, ea
este indicată ı̂n cazul ı̂n care nu se cunosc limitele de variaţie ale caracte-
risticii studiate. Ea prezintă dezavantajul faţă de medie, că mediana sumei
a două repartiţii nu este egală cu suma medianelor. Mediana este un bun
indicator al repartiţiei caracterelor calitative.
Modulul este util ı̂n cazul repartiţiilor discrete şi când se doreşte o infor-
mare rapidă.
Dacă datele vor fi supuse unor prelucrări ulterioare, atunci se calculează
media.

3.4.2 Indicatori ai variaţiei.

Media nu este un indicator suficient pentru o repartiţie de frecvenţe,

deoarece trebuie cunoscut şi gradul de ı̂mprăştiere a valorilor. Dacă datele
sunt puternic ı̂mprăştiate şi nu se poate contura nici o tendinţă centrală,
atunci media aritmetică nu are nici o semnificaţie. In schimb cu cât valo-
rile repartiţiei de frecvenţe sunt mai concentrate, cu atât media va fi mai
semnificativă.
Abaterile de la medie nu pot constitui un indicator al gradului de ı̂mprăştiere,
deoarece aşa cum s-a văzut ı̂n §3.4.1 proprietatea 1, suma lor este egală cu
zero. De aceea trebuie un alt indicator.
Cel mai bun indicator al variaţiei este varianţa.

88
 Pentru definirea varianţei este nevoie de noţiunea de grade de liberta-
te. Se pune problema determinării variaţiei existente ı̂n colectivitate, a cărei
medie şi dispersie sunt necunoscute. Când există numai o valoare individuală
se are la dispoziţie o bază minimă pentru aproximarea mediei, dar nu există
nici o informaţie asupra ı̂mprăştierii din colectivitate. Când sunt două valori
există o posibilitate de măsurare a variaţiei colectivităţii. Cu alte cuvinte,
două valori dau un singur grad de libertate pentru măsurarea variaţiei,
n valori vor da n-1 grade de libertate pentru măsurarea variaţiei (unul este
folosit pentru calculul mediei).
In general numărul gradelor de libertate este egal cu numărul total de
valori din care se scade numărul condiţiilor (legăturilor) la care sunt supuse
aceste valori.
Acum se poate defini varianţa, notată cu S 2 .

Definiţia 3.2 Varianţa este raportul dintre suma pătratelor abaterilor de la

medie şi numărul gradelor de libertate.

Deci
k
X
(xi x)2
i=1
S2 = (3.8)
n 1
Formula (3.8) este echivalentă cu formula

k
X
k
( xi )2
X i=1
x2i
i=1 n
S2 = (3.9)
n 1

Dacă ı̂n repartiţia de frecvenţe valorile xi se repetă de ni ori, atunci

89
formula de calcul a varianţei este
X
X ( xi ni )2
x2i ni
S2 = n (3.10)
n 1
Formula (3.10) se poate folosi şi pentru date grupate, dar ı̂n acest caz
este mai uşor de aplicat următoarea formulă:
✓X ◆2
xi xp
X✓ xi xp
◆2 ni
ni I
S2 = I 2 I n (3.11)
n 1
unde I este intervalul de clasă, xp este media ipotetică (§ 3.4.1), xi centrul
clasei.
Când varianţa se calculează cu ajutorul formulei (3.11) se completează
repartiţia de frecvenţe cu noi coloane. Astfel, se vor folosi tabele de forma:
✓ ◆2
xi xp xi xp xi xp
xi ni xi xp ni ni
I I I

Penultima coloană se poate utiliza şi pentru calculul mediei.

Varianţa calculată pentru date grupate diferă de cea care s-ar obţine dacă
nu s-ar fi grupat datele. De aceea, se aplică o corecţie propusă de Sheppard:
I2
Sc2 = S 2 (3.12)
12
O varianţă mică arată o variaţie mică a valorilor repartiţiei, şi deci car-
acterul studiat este uniform.
Abaterea standard (deviaţia standard , abaterea medie pătrati-
că) se notează cu S şi este dată de formula
p
S = S2 (3.13)

90
 Ea, spre deosebire de varianţă, care se măsoară ı̂n unităţi egale cu pătratul
unităţii de măsură a caracterului X, se măsoară ı̂n aceleaşi unităţi de măsură
ca şi caracterul studiat.
Abaterea standard arată cu cât se abat ı̂n medie valorile de observaţie faţă
de x. Majoritatea valorilor repartiţiei sunt cuprinse ı̂n intervalul (x S, x+S).
De exemplu, dacă media valorilor unei repartiţii de frecvenţe este x = 7
şi abaterea standard S = 0, 3, aceasta ı̂nseamnă că ı̂n medie valorile carac-
terului X sunt cuprinse ı̂n intervalul (6, 7; 7, 3).
Coeficientul de variaţie al unei repartiţii de frecvenţe este raportul
dintre abaterea standard şi media aritmetică. Se notează cu C.V.% şi este
dat de relaţia:
S
C.V.% = · 100 (3.14)
x
Coeficientul de variaţie arată ce procent din media aritmetică reprezintă
abaterea standard. El se foloseşte pentru compararea a două sau mai multe
repartiţii de frecvenţe, din punct de vedere al variaţiei lor.
Dacă C.V.% < 10% se spune că repartiţia de frecvenţe prezintă o variaţie
mică, dacă 10% < C.V.% < 20% o variaţie mijlocie, iar dacă C.V.% > 20%
o variaţie mare.
Coeficientul de variaţie este caracteristic pentru fiecare ı̂nsuşire. Astfel,
coeficientul de variaţie al producţiei de lapte oscilează ı̂n jur de 25%, cel al
procentului de grăsime ı̂n jur de 8%, pentru dimensiuni corporale 2%.

Exemplul 3.8 Să se calculeze toţi indicatorii repartiţiei de frecvenţe ce reprezintă

greutatea ştiuleţilor la hibridul de porumb Minhybrid 511:

91
 xi xp xi xp
xi ni xi xp I I
ni ( xi I xp )2 ni S0
240 1 -60 -6 -6 36 1
250 2 -50 -5 -10 50 3
260 4 -40 -4 -16 64 7
270 13 -30 -3 -39 117 20
280 21 -20 -2 -42 84 41
# Me 290 57 -10 -1 -57 57 98 = S0
xp = 300 100 0 0 0 0
" M0 310 64 10 1 64 64
320 20 20 2 40 80
330 8 30 3 24 72
340 6 40 4 24 96
350 3 50 5 15 75
360 1 60 6 6 36
3 831

n
I = 10, xp = 300, S0 = 98, = 150
2
Soluţie. Se obţin următorii indicatori de poziţie

3
x = 300 + 10 · = 300, 1
300

Deci, greutatea medie a ştiuleţilor de porumb Minhybrid este de 300,1 g.

150 98
Me = 295 + 10 · = 300,2
100

100 57
M0 = 295 + 10 · = 300,4
200 57 64

92
 Intrucât x, Me şi M0 au valori apropiate se poate conchide că repartiţia
de frecvenţe este aproape simetrică.
Indicatorii variaţiei sunt
9
831
S2 = 100 · 300 = 277,92
299
S = 16,67g
C.V. = 5, 5%

Greutatea ştiuleţilor de porumb Minhybrid se abate de la greutatea de

300,1 g (media) cu 16,67 g. Majoritatea ştiuleţilor de porumb Minhybrid au
greutatea cuprinsă ı̂n intervalul (293, 43 ; 316, 67).
Cum C.V.% < 10% repartiţia greutăţii ştiuleţilor de porumb prezintă o
variaţie mică.

3.5 Test de autoevaluare

10 Care este graficul corespunzător datelor negrupate?
a) histograma b) diagrama ı̂n bastoane
c) repartiţia de frecvenţe ( Răspuns b))

20 Care sunt indicatorii de poziţie studiaţi?

a) media, mediana, modulul
b) amplitudinea, asimetria, momentele centrate
c) varianţa, abaterea standard, coeficientul de variaţie ( Răspuns a))

30 Care este media următoarei repartiţii de frecvenţe?

xi 6.5 7 7.5 8 8.5
ni 4 8 6 7 3

93
 a)3.97 b)7.52 c) 9.34 ( Răspuns b))

40 Se consideră 20 de loturi de teren arabil din care 10 sunt tratate cu

fosfor. Producţia de grâu (kg) obţinută pe fiecare lot este:
tratate 45 47 40 42 43 48 50 45 47 43
netratate 35 38 42 37 40 39 38 40 43 39
1.Care este producţia medie de grâu de pe loturile tratate şi de pe cele
netratate?
a)xtratate = 45kg, xnetratate = 39.1kg
b)xtratate = 55.1kg, xnetratate = 45.1.1kg
c)xtratate = 35.5kg, xnetratate = 30.5kg (Răspuns a))
2. Care este variaţia producţiei medii de grâu de pe loturile tratate cu
fosfor?
a)S 2 = 5.433, S = 2.330, CV % = 5.961
b)S 2 = 14.433, S = 3.799, CV % = 15.961
c)S 2 = 7.383, S = 2.717, CV % = 6.038 (Răspuns c))

3.6 Elemente de teoria estimaţiei.

Fie P o populaţie şi X caracteristica indivizilor acestei populaţii. In ved-

erea studierii acestei caracteristici se extrage la ı̂ntâmplare o selecţie de volum
n. Pe baza acestei selecţii se determină principalii indicatori (media, medi-
ana, modulul, varianţa, etc.)
Indicatorii pentru o repartiţie de frecvenţe obţinută pe cale experimen-
tală se vor numi indicatori empirici ai lui X, iar repartiţia de frecvenţe
repartiţie empirică.

94
 Dacă populaţia ar fi omogenă (indivizii populaţiei perfect asemănăto-
ri), atunci indicatorii empirici ai lui X, determinaţi pe baza oricărei selecţii
din P , ar coincide cu indicatorii lui X calculaţi pentru ı̂ntreaga populaţie.
Aceşti indicatori sunt cunoscuţi sub denumirea de indicatori teoretici sau
parametri. Dar cum populaţiile biologice nu sunt niciodată perfect omo-
gene, ı̂nseamnă pe de o parte, că indicatorii empirici ai lui X diferă de cei
teoretici, pe de altă parte, indicatorii teoretici ai caracterului X sunt ı̂n gen-
eral necunoscuţi. Informaţii despre indicatorii teoretici se pot obţine numai
cu ajutorul celor empirici. Indicatorii empirici vor reprezenta pentru cei teo-
retici aproximări ale acestora sau estimaţii.
In cadrul teoriei estimaţiei se pun următoarele probleme:
1. Ce se ı̂nţelege printr-o estimaţie a unui parametru?
2.Care sunt criteriile după care o estimaţie este cea mai bună estimaţie?
3. Cum se poate măsura precizia fiecărei estimaţii.
La prima problemă s-a dat deja răspunsul, urmând să se răspundă şi la
celelalte două probleme.
Caracteristica X a populaţiei
0 1studiate P poate fi considerată ca o variabilă
xi C
aleatoare cu repartiţia X B
@ A numită repartiţie teoretică a lui X. O
pi
astfel de repartiţie se consideră cunoscută dacă se cunosc parametrii săi şi
tipul căruia ı̂i aparţine (normală, binomială, etc).
Teoria estimaţiei cuprinde metode şi procedee statistice, care permit eval-
uarea parametrilor repartiţiei teoretice prin valori numerice sau prin inter-
vale, atunci când se presupune cunoscut tipul de repartiţie căruia ı̂i core-
spunde.
Fie o selecţie de volum n, cu valorile x1 , x2 , . . . , xn , din populaţia P (toate

95
selecţiile posibile de volum n din P). Indicatorii unei selecţii, aşa cum s-a
văzut ı̂n paragraful precedent, se notează cu x - media, cu S 2 - varianţa,
2
deviaţia standard cu S. Parametrii populaţiei P se notează cu µ - media,
- dispersia şi abaterea standard.
2
Se pune problema care vor fi estimaţiile mediei µ şi ale dispersiei .
Inainte de a da răspunsul la această problemă se va preciza ce se ı̂nţelege
prin cea mai bună estimaţie a unui parametru. Fischer consideră că,
pentru ca un indicator n să fie cea mai bună estimaţie a indicatorului ,
trebuie ca n să fie o estimaţie consistentă , absolut corectă, eficientă şi
suficientă .
Se spune că n este o estimaţie consistentă a lui , dacă pentru selecţii
de volum foarte mare, valorile lui oscilează ı̂n jurul numărului . Se poate
n
n a
arăta că dacă n este o estimaţie consistentă pentru şi n a, b 2 IR,
n b
este o estimaţie consistentă pentru .
Estimaţia n este absolut corectă dacă valoarea medie a lui n este
egală cu , M ( n) = .
In cazul ı̂n care un parametru admite mai multe estimaţii absolut corecte
şi consistente se va alege acea care are dispersia mai mică. Aceasta se va
numi estimaţie eficientă.
O estimaţie n este o estimaţie suficientă pentru , dacă ea oferă ı̂ntreaga
informaţie conţinută ı̂n selecţie, referitoare la (nici o altă estimaţie nu oferă
informaţii suplimentare despre ).
Se poate arăta că
1. Media x a unei selecţii de volum n, este cea mai bună estimaţie a
mediei µ a unei populaţii repartizate normal.

96
 2. Varianţa S 2 a unei selecţii de volum n reprezintă o estimaţie consistentă
2
şi absolut corectă a lui , ı̂n cazul unei repartiţii normale.
Aceste estimaţii se numesc estimaţii punctuale. Ele nu dau informaţii
asupra preciziei estimaţiei. De aceea, se folosesc estimaţiile sub forma in-
tervalelor de ı̂ncredere, care permit ca pe baza selecţiei studiate să se
indice intervalul ı̂n care se află cuprins, cu o probabilitate apropiată de 1,
parametrul necunoscut ce se estimează.
Se va defini noţiunea de interval de ı̂ncredere.
Fie o selecţie x1 , x2 , . . . , xn , 1 şi 2, 1 < 2 doi indicatori.

Definiţia 3.3 Dacă 1 şi 2 pot fi astfel aleşi ı̂ncât pentru un ↵ dat să aibă
loc relaţia
P( 1 < < 2) =1 ↵

atunci ( 1 , 2) se numeşte intervalul de ı̂ncredere pentru parametrul

,

1 ↵ se numeşte coeficient de ı̂ncredere

↵ se numeşte nivel de semnificaţie (prag de transgresiune) şi
reprezintă probabilitatea ca intervalul de ı̂ncredere să nu
conţină pe .

3.6.1 Intervalul de ı̂ncredere al mediei unei populaţii

repartizate normal.

Fie 0 1
B x C
B C
XB
B (x µ)2 C
C
@ 1 2 A
p e 2
2⇡

97
 2
o variabilă aleatoare repartizată normal cu media µ şi dispersia .
2
O astfel de variabilă se va nota N (µ, ). Dacă µ = 0 şi = 1 atunci este o
variabilă normală redusă şi se notează N (0; 1).
Există două cazuri:
2
1. Cazul când este cunoscut.
Fie
x µ
u=
p
n
care reprezintă o variabilă aleatoare repartizată N (0; 1).
Se va lucra cu intervale simetrice. Atunci, pentru un ↵ dat, are loc

u ↵ < u < u↵

Fie
x µ
u↵ = de unde µ1 = x p u↵
p n
n
x µ
u↵ = de unde µ2 = x + p u↵
p n
n
Deci
x p u ↵ < µ < x + p u↵ (3.15)
n n
este intervalul de ı̂ncredere pentru µ, corespunzător nivelului de semnificaţie
↵.
In biologie se ia ↵ = 0, 05; ↵ = 0, 01 şi ↵ = 0, 001, iar u pentru aceste
valori este dat tabelar şi anume u0,05 = 1, 96; u0,01 = 2, 58 şi u0,001 = 3, 29.
Dacă ı̂n formula (3.15) se foloseşte u0,05 atunci concluzia este că media
p u0,05 ; x + p u0,05 ) cu probabil-
populaţiei este cuprinsă ı̂n intervalul (x
n n
itatea 0,95; respectiv cu probabilitatea 0,99 sau 0,999 dacă se foloseşte u0,01
sau u0,001 .

98
 Intervalul de ı̂ncredere va conţine ı̂n interiorul său valoarea adevărată a
lui µ ı̂n 100·(1 ↵) cazuri şi ı̂n 100↵ experienţe din cele 100 nu o vor conţine.
2
2. Dacă este necunoscut, atunci forma intervalului de ı̂ncredere este
ı̂n funcţie de volumul n al selecţiei.
Astfel:
a) Dacă n < 120, atunci
x µ
t=
S
p
n
care este o variabilă aleatoare cu repartiţia t şi n-1 grade de libertate.
In acest caz intervalul de ı̂ncredere al mediei va fi
S S
x p t↵;n 1 < µ < x + p t↵;n 1 (3.16)
n n
unde S este deviaţia standard a selecţiei de volum n, iar t↵;n 1 este dat tabelar
pentru n 1 grade de libertate (Tabelul 2).
Acest interval, ı̂n general, este mai larg decât cel dat de relaţia (3.15).
b) Dacă n > 120 intervalul de ı̂ncredere al mediei µ are forma
S S
x p u↵ < µ < x + p u↵ (3.17)
n n
Exemplul 3.9 Să se stabilească intervalele de ı̂ncredere ale mediei repartiţiei
rezistenţei la rupere a fibrelor de bumbac, care se distribuie normal, dacă se
2
cunoaşte dispersia = 1296, iar pentru o selecţie de n = 9 fire de bumbac
s-a găsit x = 195 g.

2
Soluţie. Intrucât se cunoaşte se foloseşte intervalul de ı̂ncredere al
mediei dat de formula (3.15).
Pentru ↵ = 0, 05; ↵ = 0, 01; ↵ = 0, 001 valorile lui u↵ sunt
u0,05 = 1, 96; u0,01 = 2, 58 respectiv u0,001 = 3, 29.

99
 Se obţine
p u↵ = 12 · 1, 96 = 23,52 pentru ↵ = 0, 05
n
p u↵ = 12 · 2, 58 = 30,96 pentru ↵ = 0, 01
n
p u↵ = 12 · 3, 29 = 39,48 pentru ↵ = 0, 001
n
Cele trei intervale de ı̂ncredere ale rezistenţei medii la rupere, sunt:

(195 23, 52 < µ < 195 + 23, 52) = (171, 48 < µ < 218, 52)
(195 30, 96 < µ < 195 + 30, 96) = (164, 04 < µ < 225, 96)
(195 39, 48 < µ < 195 + 39, 48) = (155, 52 < µ < 234, 48)

Prin urmare rezistenţa medie la rupere a fibrelor de bumbac este cuprinsă

ı̂n intervalul (171,48 g; 218,52 g) cu probabilitatea de 0,95; ı̂n intervalul
(164,04 g; 225,96 g) cu probabilitatea de 0,99; ı̂n intervalul (155,52 g; 234,48
g) cu probabilitatea de 0,999.

Exemplul 3.10 Să se afle intervalele de ı̂ncredere ale producţiei medii la

ha obţinute la un anumit soi de grâu, ştiind că o selecţie de n = 9 parcele
de aceeaşi suprafaţă a condus la o producţie de x = 3000 kg cu o abatere de
S = 600 kg.

Soluţie. Se va folosi intervalul de ı̂ncredere al mediei dat de formula

(3.16).
Pentru ↵ = 0, 05 se găseşte din tabele t0,05;8 = 2, 306, pentru
↵ = 0, 01, t0,01;8 = 3, 355 şi pentru ↵ = 0, 001, t0,001;8 = 5, 041.
Se obţine
S
p t0,05;8 = 200 · 2, 306 = 461,2
n
S
p t0,01;8 = 200 · 3, 355 = 671
n
S
p t0,001;8 = 200 · 5, 041 = 1008,2
n

100
 care conduc la intervalele de ı̂ncredere:
a) (3000 461, 2 < µ < 3000 + 461, 2) = (2538, 8 < µ < 3461, 2)
ceea ce ı̂nseamnă că producţia medie de grâu din soiul studiat este cuprinsă
ı̂n acest interval cu probabilitatea 0,95.
b) (3000 671 < µ < 3000 + 671) = (2329 < µ < 3671),
producţia medie se află ı̂n acest interval cu probabilitatea 0,99.
c) (3000 1008, 2 < µ < 3000 + 1008, 2) = (1991, 8 < µ < 4008, 2),
producţia medie se află ı̂n acest interval cu probabilitatea 0,999.

3.7 Verificarea ipotezelor statistice.

3.7.1 Ipoteze statistice şi testele lor de verificare.

Fie X un caracter studiat. Pentru a obţine informaţii despre repartiţia

teoretică a lui X şi despre valorile indicatorilor săi necunoscuţi se pot emite
diferite ipoteze referitoare la aceştia, care trebuie verificate pe baza valorilor
de observaţie ale lui X (pe baza repartiţiei empirice).
Prin ipoteză statistică se ı̂nţelege o afirmaţie sau presupunere asupra
felului repartiţiei teoretice a lui X sau asupra parametrilor ei necunoscuţi,
care urmează să fie verificată ı̂n practică. Ipoteza statistică se notează sim-
bolic prin H.
Se pot emite mai multe ipoteze referitoare la acelaşi parametru necunos-
cut, din care una se numeşte ipoteză nulă , cea care se verifică, iar celelalte
ipoteze alternative. Ipoteza nulă se notează cu H, iar celelalte cu H 0 , H 00
sau H1 , H2 .
Fie o populaţie a cărei repartiţie după un caracter X este necunoscu-

101
tă. Ipotezele referitoare la această problemă sunt: repartiţia este normală,
binomială, Poisson etc.
Ipoteza nulă va fi de exemplu: repartiţia este normală.
Celelalte ipoteze H 0 : repartiţia este binomială; altă repartiţie.
Dacă populaţia are repartiţia normală cu µ necunoscut, ipoteza nulă este
H : µ = µ0 iar ipotezele alternative H 0 : µ > µ0 şi H 00 : µ < µ0 .
O ipoteză emisă trebuie verificată, adică trebuie să se ia o decizie ce se
formulează ı̂n termenii ”se acceptă” sau ”se respinge”.
Verificarea ipotezelor statistice se face cu ajutorul unui grup de reguli ce
alcătuiesc testele statistice.
Acceptarea sau respingerea unei ipoteze statistice se face cu un
anumit grad de siguranţă, cu o anumită probabilitate.
Se pot comite, ı̂n general, două tipuri de erori:
1. eroare de gradul I, când se respinge ipoteza deşi este adevărată;
2. eroare de gradul II, când se acceptă ipoteza deşi este falsă.
Probabilităţile acestor erori notate cu ↵ respectiv , se numesc riscuri
de gradul I respectiv II, sau nivel de semnificaţie.
Probabilitatea 1 , de a respinge ipoteza, când este falsă, se numeşte
puterea testului. Cu cât ↵ şi sunt mai mici cu atât testul este mai precis.

3.7.2 Testul u.

Testul u este acel test ce se construieşte pe baza unei repartiţii norma-

le reduse. Acesta se foloseşte la verificarea ipotezei egalităţii mediei unei
populaţii repartizate normal, cu o medie ipotetică, respectiv a egalităţii medi-
ilor a două populaţii repartizate normal când dispersiile lor sunt cunoscute

102
sau când numărul total de valori de observaţie este mai mare ca 120.
a) Testul u al ipotezei egalităţii mediei unei populaţii repartizate
normal, cu o medie ipotetică.
2
Fie P o populaţie statistică repartizată normal după caracterul X, cu
cunoscut.
In legătură cu media µ a acestei populaţii, se verifică ipoteza
H : µ = µ0 faţă de alternativa H 0 : µ 6= µ0 .
Forma testului u ı̂n acest caz este dată de formula:

x µ0
u= (3.18)
p
n

unde
n este volumul unei selecţii extrase din populaţie
x este media selecţiei
µ0 este media ipotetică
2
este dispersia populaţiei care este dată.
Valoarea lui u calculată cu formula (3.18) se notează cu ucalculat .
Se alege un nivel de semnificaţie ↵.
Dacă |ucalculat | va fi mai mic ca u0,05 , |u| < u0,05 , ipoteza H se
acceptă, iar ı̂n caz contrar se respinge.
In primul caz se spune că diferenţa x µ0 este nesemnificativă (ı̂ntâmplătoare),
iar ı̂n al doilea caz este semnificativă (asigurată statistic).
In biologie se deosebesc 3 trepte de semnificaţie ↵ = 5%, ↵ = 1%, ↵ =
0, 1% cunoscute sub denumirile de semnificativ, distinct semnificativ şi
foarte semnificativ.
Prin urmare dacă

103
 u0,05 < |ucalculat | < u0,01 diferenţa este semnificativă,
cu probabilitatea cuprinsă
ı̂ntre 0,95 şi 0,99
u0,01 < |ucalculat | < u0,001 diferenţa este distinct semnificativă
cu probabilitatea cuprinsă
ı̂ntre 0,99 şi 0,999
|ucalculat | > u0,001 diferenţa este foarte semnificativă
cu probabilitatea mai mare ca 0,999.
2
Dacă este necunoscut şi n > 120 se va folosi testul ”u” sub forma

x µ0
ucalc = (3.19)
S
p
n
unde
n este volumul selecţiei extrase din populaţie
x este media selecţiei extrase
S abaterea standard a selecţiei extrase
µ0 este media ipotetică

Exemplul 3.11 Fie o selecţie de volum n = 25 extrasă dintr-o populaţie

repartizată normal ( = 1) a cărei medie este x = 0, 5. Să se testeze ipoteza
H : µ = 0 faţă de alternativa H 0 : µ 6= 0.

Soluţie. Deoarece se cunoaşte se foloseşte formula (3.18).

x µ0
ucalc =
p
n
Deci
0, 5 0 p
ucalc = · 25 = 0, 5 · 25 = 2, 5
1

104
Cum 1, 96 < ucalc < 2, 58, diferenţa este semnificativă, afirmaţie făcută cu o
probabilitate cuprinsă ı̂ntre 0, 95 şi 0, 99.
Prin urmare ipoteza nulă se respinge.
b) Testul u al egalităţii mediilor a două populaţii repartizate
normal.
Fie P1 şi P2 două populaţii repartizate normal (după un anumit caracter
2 2
X) cu parametrii µ1 şi 1 respectiv µ2 şi 2.
2 2
Dacă 1 şi 2 sunt cunoscute se ia u sub forma

x1 x2
ucalc = s (3.20)
2 2
1 2
+
n m
unde x1 este media valorilor unei selecţii de volum n din populaţia P1 , x2
media valorilor unei selecţii de volum m din populaţia P2 .
Se verifică ipoteza nulă H : µ1 = µ2 faţă de alternativa H : µ1 6= µ2 .
Decizia se ia la fel ca ı̂n cazul a), adică, dacă valoarea lui ucalc va fi mai
mare ca u↵ se respinge ipoteza H, ı̂n caz contrar se acceptă. Concluzia se
formulează astfel: ı̂n cazul ı̂n care ipoteza se acceptă, se spune că diferenţa
dintre mediile celor două populaţii este nesemnificativă, iar ı̂n cazul ı̂n care
ipoteza se respinge, diferenţa celor două medii este semnificativă. Se poate
preciza cât de semnificativă este diferenţa comparând ucalc cu u↵ pentru
↵ = 5%; 1%; 0, 1%.
2 2
Dacă 1 şi 2 sunt necunoscute, atunci ele se presupun egale cu S 2 , o
medie ponderată a varianţelor S12 şi S22 ale celor 2 selecţii, şi anume:

(n 1)S12 + (m 1)S22
S2 = (3.21)
n+m 2
Pentru testarea ipotezei H : µ1 = µ2 , dacă n + m > 120, testul u are

105
forma:
x1 x2
ucalc = s (3.22)
1 1
S +
n m
unde
n este volumul selecţiei extrase din populaţia P1
m este volumul selecţiei extrase din populaţia P2
x1 media selecţiei extrase din populaţia P1
x2 media selecţiei extrase din populaţia P2
p
S = S2 S 2 dat de formula (3.21)

Exemplul 3.12 Fie P1 şi P2 două populaţii repartizate normal

2 2
N (µ1 , 1 = 2) şi N (µ2 , 2 = 3). Să se verifice ipoteza H : µ1 = µ2 ştiind că
n = 25, m = 36, x1 = 10, x2 = 12.

Soluţie. Se va folosi testul u dat de formula (3.20).

Se obţine
10 12 2
ucalc = s = ⇡ 4, 9
2 3 0, 41
+
25 36
Cum |ucalc | > u0,001 ipoteza H se respinge, adică ı̂ntre mediile celor două
populaţii există diferenţă foarte semnificativă, afirmaţie ce se face cu o prob-
abilitate mai mare ca 0,999.

Exemplul 3.13 Să se testeze ipoteza H : µ1 = µ2 dacă n = 1600, m = 2000,

x1 = 18, x2 = 9 şi S12 = 1 şi S22 = 0, 81.

Soluţie. Se va folosi testul u dat de formula (3.22).

Se calculează mai ı̂ntâi S 2 cu formula (3.21).
(n 1)S12 + (m 1)S22
S2 = = 0, 89, S = 0, 95
n+m 2

106
Atunci
18 19 1
ucalc = s = =⇡
31, 38
1 1 0, 95 · 0, 033
0, 95 +
2000 1600
Deoarece |ucalc | > u0,001 diferenţa dintre µ1 şi µ2 este foarte semnificativă
cu o probabilitate mai mare ca 0, 999.

3.7.3 Testul t.

Acesta este testul bazat pe repartiţia Student din calculul probabilităţilor,

şi se foloseşte când volumul selecţiilor este mic (n < 120). Cu ajutorul lui se
verifică aceleaşi ipoteze ca şi ı̂n cazul testului u.
a) Testul t al ipotezei egalităţii mediei cu o medie ipotetică.
2 2
Fie P o populaţie repartizată normal N (µ, )( necunoscut). Se verifică
ipoteza H : µ = µ0 faţă de alternativa H 0 : µ 6= µ0 .
Se extrage o selecţie din populaţia P de volum n (n < 120) care pe baza
valorilor lui X (caracterul studiat) conduce la media x şi varianţa S 2 . Atunci
t se va calcula după formula
x µ0
tcalc = (3.23)
S
p
n
Se compară tcalc cu t↵;n 1 din tabelul 2. Decizia se ia la fel ca ı̂n cazul testului

u.
b) Testul t al ipotezei egalităţii mediilor a două populaţii repar-
tizate normal.
2 2 2 2
Fie P1 şi P2 două populaţii N1 (µ1 , 1) şi N1 (µ2 , 2) cu 1 şi 2 necunoscuţi,
din care se extrag selecţii de volumul n respectiv m. Dacă n+m < 120 ipoteza
H : µ1 = µ2 se testează cu ajutorul testului t.

107
 In acest caz
x1 x2
tcalc = s (3.24)
1 1
S +
n m
unde
n este volumul selecţiei extrase din populaţia P1
m este volumul selecţiei extrase din populaţia P2
x1 media valorilor selecţiei de volum n extrase din
populaţia P1
x2 media valorilor selecţiei de volum m extrase din
populaţia P2
p
S = S 2 S 2 dat de formula (3.21)
Valoarea lui t se calculează şi se compară cu t↵ pentru n + m 2 grade
de libertate, din tabelul 2. Decizia se ia la fel ca ı̂n cazul testului u.

Exemplul 3.14 Să se verifice ipoteza H:µ = 2500 , µ fiind producţia medie
la hectar a unui soi de grâu, dacă o selecţie de volum n = 9 a condus la
producţia x = 3000 kg/ha şi S = 667, 5 kg/ha.

Soluţie. Pentru verificarea ipotezei H : µ = 2500 se va folosi testul t

dat de formula (3.23).
Se obţine
3000 2500 1500
tcalc = = = 2, 247
667, 5 667, 5
3
Valoarea lui t din tabele pentru ↵ = 0, 05 şi 8 grade de libertate este t0,05;8 =
2, 306.
Cum tcalc < t0,05;8 ipoteza nulă se acceptă, deci ı̂ntre producţia medie
a soiului de grâu specificat şi 2500 kg nu există diferenţă semnificativă,
afirmaţie făcută cu probabilitatea 0,95.

108
Exemplul 3.15 Două soiuri de grâu A şi B au fost semănate pe soluri
asemănătoare ı̂n aceeaşi zonă. Pentru determinarea producţiei medii la hectar
au fost efectuate câte 10 determinări obţinându-se rezultatele din următorul
tabel:

A 198 330 200 250 300 260 280 320 300 290
B 180 300 250 220 270 240 250 300 300 280
Să se cerceteze dacă ı̂ntre producţiile medii la hectar obţinute la cele două
soiuri există diferenţe semnificative.

Soluţie. Se foloseşte testul t al egalităţii mediilor a două repartiţii nor-

male, dat de formula (3.24). Se testează ipoteza H : µA = µB faţă de
alternativa H : µA 6= µB .

Pentru calculul lui t trebuie ı̂ntâi să se determine xA , xB , SA2 , SB2 şi apoi
S 2.

Se obţine
18905, 6
xA =272,8, SA2 = , n=10
9
S=42,68
13890
xB =259, SB2 = , m=10
9

p
xA xB 13, 8 · 5
13, 8
tcalc = s = q = = 0, 723
1 1 42, 68 15 42, 68
S +
n m

Deoarece tcalc < t0,05;18 = 2, 101 ı̂ntre producţiile medii la hectar obţinu-
te la cele două soiuri nu există diferenţe semnificative, afirmaţie făcută cu
probabilitatea 0, 95.

109
3.7.4 Testul F.

Testul F se foloseşte pentru verificarea omogenităţii dispersiilor a două

populaţii repartizate normal, dar şi ı̂n cadrul analizei varianţei.
2 2
FieP1 şiP2 două populaţii repartizate normal cu dispersiile 1, 2.
2 2
Ipoteza ce va fi testată este H : 1 = 2.

Pentru a putea testa această ipoteză se extrage câte o selecţie din cele
două populaţii de volum m respectiv n, pe baza cărora se calculează varianţele
S12 şi S22 .
Formula pentru testul F este:
S12
Fcalc = (3.25)
S22
Cum F > 1, la numărător se va lua valoarea mai mare dintre varianţele S12
şi S22 .
Se citeşte F din tabele (tabelul 3) astfel:
- prima linie a tabelului conţine gradele de libertate cores-
punzătoare numărătorului lui Fcalc ;
- prima coloană a tabelului conţine gradele de libertate
ale numitorului lui Fcalc .
La intersecţia coloanei gradelor de libertate ale numărătorului cu linia
gradelor de libertate ale numitorului se află numărul corespunzător nivelului
de 0,05 (5%).
Din tabelul 4 se citeşte F corespunzător nivelului 0,01.
Dacă Fcalc < F0,05;m 1;n 1 dispersiile sunt omogene.
Dacă Fcalc > F0,05;m 1;n 1 dispersiile nu sunt omogene.

Exemplul 3.16 Pentru a se estima recolta medie la hectar la o anumită

cultură legumicolă ı̂n zone diferite, s-au făcut cercetări pe n = 9 şi m =

110
16 loturi, obţinându-se sumele pătratelor abaterilor de la medie de 993.000
respectiv 1.997.800. Să se verifice dacă dispersiile necunoscute ale producţiei
legumicole la hectar, ı̂n cele două zone sunt sau nu omogene.

2 2
Soluţie. Se testează ipoteza H : 1 = 2.

Se foloseşte testul F dat de formula (3.25).

Se obţine
993000 1997800
S12 = = 124125, S22 = = 133186
8 15

S22
Fcalc = = 1, 07
S12
Cum din tabele F0,05;15;8 = 3, 24, şi deoarece Fcalc < F0,05;15;8 rezultă că
dispersiile producţiilor la ha, ı̂n cele două zone, sunt omogene.

2
3.7.5 Testul .

2
Cu ajutorul testului pot fi comparate două repartiţii una empirică şi
alta teoretică sau ambele empirice, se poate verifica independenţa repartiţiilor
a două caractere, se poate stabili omogenitatea mai multor selecţii. Pentru
2
fiecare din aceste ipoteze există teste cu denumiri specifice.

2
Testul de concordanţă.

Fie X o caracteristică a populaţiei P din care se extrage o selecţie de volum

n. Pe baza valorilor caracteristicii X se alcătuieşte repartiţia empirică:

111
 xi ni
x1 n1
x2 n2
.. ..
. .
xk nk
n
ni
Se ştie că frecvenţele relative se calculează după formula fi =
.
n
Această repartiţie se poate compara cu una teoretică (binomială de ex-
emplu). Fie aceasta sub forma:
0 1
B xi C
X@ A
Xk
pi
pi = 1
i=1

A compara repartiţia empirică cu cea teoretică ar ı̂nsemna compararea

frecvenţelor relative fi cu probabilităţile pi . Dar, deoarece frecvenţele relative
sunt numere zecimale şi ele trebuie calculate după ce s-a alcătuit repartiţia,
este mai uşor ca probabilităţile pi să fie transformate ı̂n frecvenţe de acelaşi
ordin de mărime ca şi frecvenţele absolute empirice ni . Frecvenţele obţinute
prin ı̂nmulţirea probabilităţilor pi cu volumul selecţiei se numesc frecvenţe
teoretice (frecvenţe aşteptate). Acestea se notează cu 'i .
Deci
'i = npi , i = 1, 2, . . . , k

Ipoteza care va fi testată este H : ni = 'i , i = 1, 2, . . . , k.

2
Verificarea acestei ipoteze se realizează cu testul dat de formula:
k
2
X (ni 'i )2
calc = (3.26)
i=1 'i

112
 2
Se citeşte din tabele (tabelul 5) la nivelul ↵ = 0, 05 şi la k 1 grade
de libertate.
2 2
Dacă calc < 0,05;k 1 ipoteza se acceptă, ceea ce ı̂nseamnă că repartiţia
empirică concordă cu cea teoretică, adică au aceeaşi natură.
2 2
Dacă calc > 0,05;k 1 ipoteza se respinge, deci repartiţia empirică nu
corespunde cu cea teoretică. Repartiţia empirică poate fi comparată cu o
altă repartiţie.

Exemplul 3.17 Prin ı̂ncrucişarea unor cocoşi de culoare neagră- albăstru-

ie (AA) cu găini de culoare albă (aa) se obţin ı̂n prima generaţie produşi
cu penaj gri- albăstrui, iar ı̂n generaţia a doua, de culoare neagră-albăstruie
(NA), gri-albăstruie (GA) şi albă (A) , conform datelor: 44 NA, 129 GA, 27
A.
Corespunde aceasta proporţiei aşteptate de 1 : 2 : 1?

Soluţie. Fie X caracteristica ce reprezintă culoarea produşilor din generaţia

a doua. Repartiţia sa empirică este:
xi ni
NA 44
GA 129
A 27
200
iar repartiţia sa teoretică este:
0 1
B N A GA A C
X@ 1 2 1 A
4 4 4
probabilităţile calculându-se din proporţia 1 : 2 : 1, ceea ce ı̂nseamnă că din

113
4 cazuri posibile (1 + 2 + 1) un caz este favorabil culorii neagră-albăstruie,
două cazuri culorii gri-albăstruie şi un caz culorii albă.
Se calculează frecvenţele teoretice 'i după formula:

'i = npi

Deci

1
'1 = 200 · = 50
4
2
'2 = 200 · = 100
4
1
'3 = 200 · = 50
4
2
Se testează ipoteza H : ni = 'i , i = 1, 2, 3 cu testul dat de formula
(3.26).
3
2
X (ni 'i )2
calc =
i=1 'i
Deci
2 (44 50)2 (129 100)2 (27 50)2
calc = + + = 19, 71
50 100 50
2
Se citeşte din tabele la nivelul ↵ = 0, 05 şi două (3-1) grade de libertate.
2
Se găseşte: 0,05;2 = 5, 99.
2 2
Deoarece calc > 0,05;2 repartiţia empirică nu corespunde proporţiei 1 :
2 : 1.

Exemplul 3.18 Studiind efectul a două tratamente A şi B asupra aceleiaşi

boli şi ı̂nregistrând numărul recidivelor apărute ı̂ntr-un interval de timp s-au
obţinut repartiţiile:

114
 Tratamentul A Tratamentul B
Nr. recid. Nr. bolnav Nr. recid. Nr. bolnav
1 14 1 20
2 10 2 16
3 9 3 10
4 5 4 2
5 1 5 2
20 20
Să se stabilească dacă ı̂ntre cele două tratamente există diferenţe semni-
ficative.
Soluţie. Aceasta revine la o compara două repartiţii empirice de
forma:
xi ni xi n0i
1 14 1 20
2 10 2 16
3 9 3 10
4 5 4 2
5 1 5 2
34 50
Deoarece ultimele frecvenţe absolute sunt mici se adună la frecvenţa
anterioară şi deci trebuie comparate repartiţiile.
xi ni xi n0i
1 14 1 20
2 10 2 16
3 9 3 10
4 6 4 4

115
 Se testează ipoteza H : ni = n0i , i = 1, 2, 3, 4.
2
Se calculează după formula (3.26).
2
Se obţine calc = 5, 15
2 2 2
Din tabele se citeşte 0,05;3 = 7, 81. Cum calc < 0,05;3 ipoteza se acceptă.
Deci cele două repartiţii corespund. Cu alte cuvinte cele două tratamente au
acelaşi efect, ı̂ntre ele nefiind diferenţe semnificative.

2
Testul de independenţă.

2
Cu ajutorul testului de independenţă se verifică legătura dintre două
caractere calitative.

Fie X şi Y două caractere calitative studiate asupra unei selecţii de volum
n. Cele două caractere pot avea două sau mai multe stări.

Fie X, Y caractere cu două stări. Atunci selecţia de volum n se

ı̂mparte ı̂n 4 grupe conform tabelului:

Există X Nu există X Total

Există Y n1 '1 n2 '2 =m
Nu există Y n3 '3 n4 '4 =p
Total q r =n

Frecvenţele teoretice se calculează astfel:

dacă
din n cazuri există Y ı̂n m cazuri
din q cazuri ı̂n câte ar trebui să existe Y
deci

116
 n ......... m
q ......... x
q·m
x = '1 =
n
Cum '1 + '2 = m rezultă că '2 = m '1 . Analog '3 = q '1 şi
'4 = p '3 = r '2 .
Prin urmare, o singură frecvenţă teoretică trebuie calculată prin regula
de trei simplă, celelalte putându-se calcula cu ajutorul acesteia.
Ipoteza care se testează este H : ni = 'i , i = 1, 2, 3, 4.
2
Pentru testarea acestei ipoteze se foloseşte testul dat de formula (3.26).
2
Din tabele se citeşte valoarea lui la nivelul ↵ = 0, 05 şi la un singur grad
de libertate, deoarece o singură frecvenţă teoretică s-a calculat independent.
Având ı̂n vedere că atât X cât şi Y au două stări, gradele de libertate
2
la care se citeşte din tabele sunt date de (2 1) · (2 1) = 1 adică (nr.
stărilor lui X 1)·(nr. stărilor lui Y 1).
2 2
Dacă calc < 0,05;1 ipoteza se acceptă, deci cele două caractere sunt
independente, deoarece frecvenţele teoretice pot fi considerate egale cu cele
empirice.
2 2
Dacă calc > 0,05;1 , ipoteza se respinge, cele două caractere sunt depen-
dente.

Exemplul 3.19 Din 200 de animale 90 au fost vaccinate. Din cele vaccinate
s-au ı̂mbolnăvit 20, iar din cele nevaccinate 40. Să se specifice dacă vaccinul
a avut sau nu efect.

Soluţie. Este vorba de două caractere, boala şi vaccinul, care ı̂mpart
cele 200 de animale ı̂n 4 grupe conform tabelului:

117
 S-au Nu s- au
ı̂mbolnăvit ı̂mbolnăvit Total
Vaccinaţi 20 27 70 63 =90
Nevaccinaţi 40 33 70 77 =110
Total 60 140 =200

Se calculează frecvenţa teoretică '1 după regula de trei simplă.

din 200 . . . s-au ı̂mbolnăvit 60
din 90 ...
câte trebuiau să se ı̂mbolnăvească
90 · 60
x = '1 = = 27
200
Se trece '1 ı̂n prima căsuţă şi se calculează celelalte frecvenţe ı̂n funcţie
de '1 .
Se testează ipoteza H : ni = 'i , i = 1, 2, 3, 4.
2
Se foloseşte formula (3.26). Se obţine calc = 4, 71
2
Din tabele se citeşte valoarea lui la 1 grad de libertate şi nivelul ↵ =
2
0, 05: 0,05;1 = 3, 84.
2 2
Cum calc > 0,05;1 ipoteza se respinge, adică proporţia ı̂mbolnăvirii ı̂n
grupul celor vaccinaţi nu este aceeaşi ca ı̂n grupul celor nevaccinaţi. Deci
vaccinul a avut efect.

3.8 Test de autoevaluare

10 Care dintre testele statistice enumerate se foloseşte la verificarea ipotezei

egalităţii mediei unei populaţii repartizate normal cu o medie ipotetică
ı̂n cazul n < 120, unde n este volumul selecţiei?
a) testul F b) testul u c) testul t (Răspuns c))

118
 20 Studiind lungimea frunzelor de căpşuni de grădină s-au făcut 100 măsurători
care au condus la x = 7, 8 cm şi S=1,3 cm. Să se afle intervalele de
ı̂ncredere ale lungimii medii µ corespunzătoare nivelului de semnificaţie
↵ = 0.05 dacă se presupune că lungimea frunzelor este o variabilă repar-
tizată normal.
a) (7.506; 8.094) b) (7.542; 8.058) c) (7.359; 8.2407) (Răspuns b))

30 Se consideră 20 de loturi de teren arabil din care 10 sunt tratate cu

fosfor. Producţia de grâu (kg) obţinută pe fiecare lot este:
tratate 45 47 40 42 43 48 50 45 47 43
netratate 35 38 42 37 40 39 38 40 43 39
1. Tratarea solului cu fosfor conduce la o sporire semnificativă a producţiei?
(Indicaţie: se va testa egalitatea mediilor a două populaţii repartizate
normal folosind un test statistic studiat)
a) tratarea solului cu fosfor nu conduce la o sporire semnificativă a producţiei
b) tratarea solului cu fosfor conduce la sporire semnificativă a producţiei, diferenţa
ı̂ntre producţiile medii de pe cele două tipuri de loturi fiind foarte semnificativă?
c) tratarea solului cu fosfor conduce la sporire semnificativă a producţiei, diferenţa
ı̂ntre producţiile medii de pe cele două tipuri de loturi fiind distinct semnificativă?
(Răspuns: b))

3.9 Repartiţii bidimensionale.

Tot ce s-a prezentat până acum s-a referit la un singur caracter care s-a
studiat la o selecţie oarecare dintr-o populaţie. Pe baza datelor observate s-a
alcătuit repartiţia de frecvenţe a acestui caracter, repartiţie unidimensională.

119
 Dacă se studiază două caractere X, Y la aceeaşi selecţie de volum n dintr-
o populaţie, valorile lor perechi se trec ı̂ntr-un tabel de forma:
xi yi
x1 y1
x2 y2
.. ..
. .
xn yn

Acest tabel se numeşte repartiţie bidimensională. Datele cuprinse ı̂n

repartiţie sunt scrise aşa cum au fost ele ı̂nregistrate fără a fi ordonate.

Pentru repartiţiile bidimensionale problema care se pune este de a vedea

dacă cele două caractere sunt dependente, adică, dacă sunt corelate, dependenţa
dintre ele purtând numele de corelaţie.

Un prim indiciu al dependenţei celor două caractere ı̂l oferă aşa numitul
nor de puncte. Norul de puncte se obţine reprezentând
ı̂ntr-un sistem de axe de coordonate punctele (xi , yi ).

Norul
y 6 de puncte poateyavea diferite forme.y
6 6
Dacă norul de puncte are forma unei fâşii orizontale sau verticale sau a
unui cerc, caracterele X şi Y sunt necorelate (fig.3).

- - -
x x x

Figura 3.

Dacă norul de puncte are formă curbilinie (fig. 4) sau forma unei elipse
(fig. 5), caracterele X şi Y sunt corelate.

120
 y6 y6

y 6 y6

- -
x x
Figura 4.
- -
x x
Figura 5.

Când norul de puncte are formă de elipsă corelaţia este liniară.

3.9.1 Coeficientul de corelaţie liniară.

Pentru caracterizarea unei repartiţii bidimensionale, ca şi pentru cele uni-

dimensionale, există indicatori. Unul dintre aceşti indicatori este coeficien-
tul de corelaţie liniară.
Coeficientul de corelaţie ı̂ntre caracterele X şi Y , notat cu r, este dat de
formula: X X X
n xi yi xi yi
r=q X X X X (3.27)
[n x2i ( xi )2 ][n yi2 ( yi )2 ]

Coeficientul de corelaţie este independent de unitatea de măsură a celor

două caractere.
Coeficientul de corelaţie este un număr cuprins ı̂ntre 1 şi 1, deci 1
r  1.
Dacă r = 1 cele două caractere sunt ı̂n concordanţă totală (ambele cresc
sau ambele descresc ı̂n acelaşi fel).
Dacă r = 0 cele două caractere sunt independente (necorelate).
Dacă r = 1 cele două caractere sunt ı̂n discordanţă (unul creşte celălalt
descreşte ı̂n acelaşi mod).

121
 Dacă r > 0 cele două caractere sunt ı̂n corelaţie pozitivă (direct proporţionale).

Dacă r < 0 cele două caractere sunt ı̂n corelaţie negativă (invers proporţionale).

Coeficientul de corelaţie poate fi apropiat de 1 (sau 1), când n este mic,

dar, corelaţia nu este semnificativă.

Semnificaţia corelaţiei ı̂ntre două caractere se poate stabili comparând

|rcalc | cu r din tabele la nivelul ↵ şi n 2 grade de libertate (tabelul 6).

Dacă |rcalc | < r0,05;n 2 corelaţia este nesemnificativă.

Dacă r0,05;n 2 < |rcalc | < r0,01;n 2 corelaţia este semnificativă.

Dacă r0,01;n 2 < |rcalc | < r0,001;n 2 corelaţia este distinct semnificativă.

Dacă |rcalc | > r0,001;n 2 corelaţia este foarte semnificativă.

Pătratul coeficientului de corelaţie, r2 , se numeşte indice de precizie şi

el arată ı̂n ce măsură un caracter este influenţat de celălalt.

Repartiţia bidimensională se completează cu o linie şi cu trei coloane,

pentru a uşura calculul lui r:

xi yi xi yi x2i yi2
x1 y1 x1 y1 x21 y12
x2 y2 x2 y2 x22 y22
.. .. .. .. ..
. . . . .
xn yn xn yn x2n yn2
X X X X X
xi yi xi yi x2i yi2

Exemplul 3.20 Să se examineze corelaţia dintre cantitatea de lână obţinută

după tundere şi lungimea şuviţei, pe baza următoarelor observaţii:

122
 xi yi
5 4
6 5
7 5,7
8 6,5
9 7,3

Soluţie. Se calculează coeficientul de corelaţie după formula (3.27). Se

completează repartiţia dată astfel:

xi yi xi yi x2i yi2
5 4 20 25 16
6 5 30 36 25
7 5,7 39,9 49 32,49
8 6,5 52 64 42,25
9 7,3 65,7 81 53,29
35 28,5 207,6 255 169,03

Se obţine

5 · 207, 6 35 · 28, 5
rcalc = q = 0, 999
[5 · 255 352 ][5 · 169, 03 28, 52 ]

Deoarece rcalc = 0, 999, iar r0,05;3 = 0, 878, r0,01;3 = 0, 959,

r0,001;3 = 0, 991, se observă că rcalc > r0,001;3, deci corelaţia este foarte sem-
nificativă. Se calculează r2 = 0, 997, deci cantitatea de lână este influenţată
de lungimea şuviţei ı̂ntr-un procent de 99%.

123
3.9.2 Regresii liniare.

Dependenţa dintre două variabile se poate exprima printr-o relaţie funcţională

de forma :
Y = f (X) dacă X este variabila independentă şi
X = g(Y ) dacă Y este variabila independentă.
Funcţiile f şi g pot fi liniare, pătratice, exponenţiale, logaritmice, etc.
In cazul corelaţiei liniare funcţia f este un polinom de gradul 1

y = a + bx

iar ı̂n cazul corelaţiei neliniare f este un polinom de gradul 2 sau mai mare
sau orice altă funcţie.
Relaţia y = a + bx se numeşte regresie liniară a lui y ı̂n raport
cu x.
Regresia este un termen statistic care se foloseşte pentru a exprima can-
titatea cu care se modifică ı̂n medie o variabilă când cealaltă se modifică cu
o unitate.
Dreapta de regresie are următoarele proprietăţi:
1. trece prin punctul de coordonate (x, y);
2. suma abaterilor valorilor x şi y de la dreapta de regresie este egală cu zero;
3. suma pătratelor distanţelor punctelor din norul de puncte la dreapta de
regresie este minimă.
Pe baza acestor proprietăţi se determină coeficienţii a şi b prin metoda
celor mai mici pătrate.
Deci

a=y bx

124
 X X X
n xi yi xi yi
b= X X , (3.28)
n x2i ( xi )2

b se numeşte coeficient de regresie al lui y ı̂n raport cu x.

Dacă Y este variabila independentă atunci

x = a0 + b 0 y

este dreapta de regresie a lui X ı̂n raport cu Y unde

X X X
n xi yi xi yi
b0 = X X , a0 = x b0 y (3.29)
n yi2 ( 2
yi )

Exemplul 3.21 Să se scrie dreapta de regresie a ı̂nălţimii fasolei ı̂n funcţie
de vârsta ı̂n săptămâni, făcându-se câte o extragere săptămânală, pe baza
datelor:

Vârsta Inălţimea (cm)

xi yi
1 5
2 13
3 16
4 23
5 33
6 38
7 40

Soluţie. Tabelul de lucru este următorul:

125
 xi yi x2i xi yi
1 5 1 5
2 13 4 26
3 16 9 48
4 23 16 92
5 33 25 165
6 38 36 228
7 40 49 280
28 168 140 844

Dreapta de regresie este y = a + bx, unde a şi b sunt daţi de formulele

X X X
n xi yi xi yi
a=y bx, b= X ⇣X ⌘2 ,
n x2i xi

Deci

x = 4, y = 24
7 · 844 28 · 168 172
b = 2
= = 6, 143
7 · 140 28 28
a = 24 6, 143 · 4 = 0, 571,

Ecuaţia dreptei de regresie a ı̂nălţimii fasolei ı̂n funcţie de vârstă este:

y = 6, 143x 0, 571

3.10 Test de autoevaluare

10 Măsurându-se diametrul şi greutatea bulbilor de ceapă roşie s-au obţinut
valorile

126
 Diam. 24 28 29 42 34 56 49 58 63 81 80
Greut. 35 38 38 41 42 45 45 48 51 57 58
1. Coeficientul de corelaţie dintre diametrul şi greutatea bulbilor de
ceapă este:
a) 0.847 b) 0.735 c) 0.983 (Răspuns c))
2. Corelaţia dintre cele două caractere este:
a) nesemnificativă b) foarte semnificativă
c) distinct semnificativă (Răspuns b))

20 Să se scrie ecuaţia dreptei de regresie a procentului de fructe viermănoase

ı̂n funcţie de mărimea recoltei de mere, pe baza datelor din tabel:
recolta x
(sute fructe) 8 6 11 22 14 17 18 24 19 23
procentul y 59 58 56 53 50 50 43 42 39 38
a) y = 65.046 1.003x b) y = 50.032 2.003x
c) x = 47.634 0.644y (Răspuns a))

3.11 Bibliografie

1. Micula Maria: Matematici aplicate ı̂n agronomie, Casa de editură

Transilvania Press, Cluj - Napoca, 1997.
2. Trambitas R.: Metode statistice, Presa Universitară Clujeană, Cluj -
Napoca, 2000.
3. Kline M.: Mathematics for the Nonmathematician, Dover Publica-
tions, Inc., New York, 2006.
4. http://mathworld.wolfram.com/

127
3.12 Probleme propuse.

Să se ı̂ntocmească repartiţia de frecvenţe pentru:

1. Greutatea (ı̂n kg) la naştere a 65 viţei pe baza tabelului iniţial de date:

27 32 32 31 32 28 37 35 26 28 32 39 34
27 40 35 37 28 43 26 35 45 26 35 32 32
32 36 32 36 37 33 28 31 36 33 33 28 23
36 27 32 39 30 30 36 38 24 32 30 31 28
37 35 34 36 26 28 32 26 30 35 26 36 39

2. Conţinutul de fibre la linia de cânepă 59-151 pe baza datelor ı̂nregistrate:

128
 xi ni xi ni xi ni xi ni xi ni xi ni
21,2 1 23,3 3 25 4 26,7 10 28,4 6 30,1 4
21,3 1 23,4 3 25,1 5 26,8 9 28,5 6 30,2 3
21,6 1 23,5 4 25,2 6 26,9 10 28,6 7 30,3 2
21,8 1 23,6 3 2,3 5 27 11 28,7 7 30,4 3
21,9 1 23,7 2 25,4 6 27,1 11 28,8 6 30,5 2
22,1 1 23,7 3 25,5 7 27,2 11 28,9 5 30,6 3
22,2 1 23,9 3 25,6 6 27,3 12 29 5 30,7 3
22,3 2 24 3 25,7 5 27,4 12 29,1 5 30,8 2
22,4 1 24,1 3 25,8 7 27,5 13 29,2 4 30,9 3
22,5 1 24,2 4 25,9 6 27,6 13 29,3 5 31 2
22,6 1 24,3 3 26 6 27,7 11 29,4 4 31,1 2
22,7 1 24,4 4 26,1 7 27,8 10 29,5 4 31,2 1
22,8 2 24,5 5 26,2 8 27,9 8 29,6 5 31,4 2
22,9 1 24,6 4 26,3 8 28 8 29,7 4 31,5 1
23 2 24,7 5 26,4 9 28,1 7 29,8 4 31,6 2
23,1 2 24,8 4 26,5 10 28,2 7 29,9 3 31,8 2
23,2 2 24,9 4 26,6 9 28,3 7 30 4 31,9 1

3. Greutatea (ı̂n g) a 105 morcovi este pe baza datelor iniţiale:

129
 400 190 320 290 220 200 340
390 380 290 340 480 290 440
500 150 290 390 220 260 500
370 190 590 280 180 120 190
530 380 270 260 240 530 480
290 150 450 250 380 260 130
220 170 130 320 200 290 510
590 200 250 200 300 120 390
320 500 320 220 540 280 420
500 160 260 590 110 130 140
390 550 150 190 330 140 120
110 350 170 210 150 340 360
160 370 500 210 560 130 170
540 110 120 130 320 250 320
390 500 430 180 230 240 340

4. Lungimea (ı̂n mm) ştiuleţilor de porumb galben timpuriu, pe baza

datelor ı̂nregistrate la 100 ştiuleţi:

130
 225 220 225 215 200 135 210 180 175 190
220 200 220 175 200 220 230 105 135 170
135 135 180 220 195 230 210 135 180 230
110 100 200 205 140 190 220 235 215 210
195 155 170 215 210 215 230 220 220 170
165 185 125 205 155 180 125 150 255 175
180 206 205 185 240 185 235 210 155 200
210 200 190 205 226 220 200 225 185 120
230 205 175 210 195 160 180 140 195 195
185 125 255 195 175 215 150 260 210 155
Să se construiască graficul corespunzător pentru următoarele repartiţii de
frecvenţe:
5.
Inălţime
copaci 20,4 25,4 25,6 26,6 28,6 28,7 29 29,8
frecvenţa 1 1 2 2 2 1 2 1
absolută

131
 6.
Nr. pui de
rândunică 1 2 3 4 5 6 7
frecvenţa 1 4 7 30 56 17 5
absolută

7.
xi 1 2 3 4 5 6 7 8 9
ni 2 5 8 10 15 12 9 6 3

Să se calculeze toţi indicatorii şi să se construiască graficul corespunzător

pentru următoarele repartiţii de frecvenţe:

8.

Greutatea Numărul Greutatea Numărul

ştiuleţilor ştiuleţilor ştiuleţilor ştiuleţilor

75 85 1 145-155 34
85 95 2 155-165 29
95 105 17 165-175 18
105 115 39 175-185 3
115 125 44 185-195 2
135 145 42

9.
Număr
bob/spic 33 34 35 36 37 38 39 40 41 42 43 44
Nr.spice 1 4 7 10 15 25 33 38 29 20 15 3

10.

132
 Nr.boabe
/ştiulete 100 150 200 250 300 350 400 450 500
Nr.ştiul. 2 4 9 16 25 20 14 8 2
11.
Procent de
grăsime lapte 3,6 3,65 3,7 3,75 3,8 3,85 3,9 3,95
Numărul 2 4 8 10 1 9 7 5
vacilor
12.
Fineţea lânii 16 18 20 22 24 26 28 30 32 34
Nr.firelor 2 15 23 22 16 10 6 5 3 2
13. Pentru recepţionarea unui produs alimentar ambalat ı̂n cutii, se efectuează
un control, prin sondaj, ı̂n ceea ce priveşte greutatea (ı̂n g) a unei cutii. Pen-
tru 22 de cutii s-a găsit următoarea repartiţie:
xi 270 280 290 300 310 320 330
ni 1 2 5 3 5 4 2
Se cere:

1 . Să se traseze graficul corespunzător

2 . Să se calculeze toţi indicatorii

3 . Să se afle intervalele de ı̂ncredere ale greutăţii medii a cutiilor.

14. Să se stabilească intervalele de ı̂ncredere ale conţinutului mediu de

2
fibre de cânepă 59-151 care are o repartiţie normală N (µ, = 5) dacă pe
baza unei selecţii de volum n=500 s-a obţinut x = 27, 01%.

133
 15. Inălţimea medie a 150 bărbaţi adulţi este de 175 cm. Fiind o variabilă
aleatoare repartizată normal N (µ, = 6 cm) să se calculeze intervalele de
ı̂ncredere ale ı̂nălţimii medii µ a bărbaţilor adulţi.

16. Studiind lungimea frunzelor de căpşuni de grădină s-au făcut 100

măsurători care au condus la x = 7, 8 cm şi S=1,3 cm. Să se afle intervalele
de ı̂ncredere ale lungimii medii µ dacă se presupune că lungimea frunzelor
este o variabilă repartizată normal.

17. Producţiile de lucernă de pe 10 loturi de aceeaşi suprafaţă au fost:

0,8; 1,3; 1,5; 1,7; 1,7; 1,8; 2; 2; 2; 2,2 tone/lot. Să se afle intervalele de
ı̂ncredere ale producţiei medii de lucernă.

18. Producţia de lapte la 8 vaci este 3423, 3952, 3745, 3530, 3673, 3742,
3590 şi 3798 litri. Să se afle intervalele de ı̂ncredere ale producţiei medii de
lapte.

19. Se cunoaşte că rezistenţa la rupere a unui anumit fir de bumbac, se

distribuie normal cu parametrii µ = 225g şi = 36g (calitate standard).
Pentru a cerceta calitatea unui lot de fire de bumbac, ı̂n ceea ce priveşte
rezistenţa la rupere, se face un sondaj pe un efectiv n=9 fire de bumbac,
obţinându-se o rezistenţă medie x = 195g. Se poate considera acest lot
corespunzând calităţii standard?

20. Un fermier a experimentat o nouă metodă de fertilizare a culturii de

grâu. Aplicată această nouă metodă, pentru un anumit soi de grâu, pe 10
loturi a condus la producţia medie de 29 kg/lot. Recolta de grâu din soiul
studiat obţinută prin fertilizare standard, se distribuie normal cu producţia
medie de 25 kg/lot cu o abatere standard de 3,5 kg/lot.

134
 Se cere:
1 . Să se determine intervalele de ı̂ncredere ale producţiei medii de grâu
obţinută prin fertilizare nouă.
2 . Să se specifice dacă ı̂ntre fertilizarea nouă şi cea standard, ı̂n ceea ce
priveşte producţia medie de grâu, există diferenţe semnificative.

21. Cantitatea de lapte care se obţine anual de la două rase de vaci a fost
estimată pe baza a n = 10 observaţii la rasa A şi m = 5 observaţii la rasa B,
obţinându-se următoarele date, ı̂n mii litri:
rasa A: 3; 4; 3; 3,9; 4,2 3,4; 4,2 3; 3,2; 3,5.
rasa B: 6,1; 5,6; 3; 4,7; 3,9.
Să se cerceteze dacă cele două rase dau cantităţi medii diferite de lapte.

22. Studiind lungimea ı̂n cm a câte 25 tulpini de cânepă la 2 soiuri, s-au

găsit următoarele rezultate:
soiul A: 186, 190, 163, 182, 182, 182, 180, 173, 157,
164, 146, 173, 144, 156, 156, 165, 160, 160,
153, 144, 152, 151, 173, 170, 161
soiul B: 162, 163, 190, 188, 147, 146, 145, 157, 162,
175, 147, 147, 145, 155, 174, 180, 148, 175,
144, 153, 165, 141, 164. 186 145
Să se specifice dacă ı̂ntre lungimile medii ale celor două soiuri de cânepă
sunt diferenţe semnificative.

23. Să se testeze semnificaţia diferenţei la cantitatea totală de grăsime din

lapte, la 109 vaci Bălţată Românească din zona Cluj şi 96 vaci din zona Tg.
Mureş, pe baza datelor x1 = 80, 71, S12 = 609, 37 şi x2 = 92, 01, S22 = 531, 537.

24. Două varietăţi de grâu A şi B au fost semănate pe ogoare asemănătoare

135
din aceeaşi regiune. Pentru determinarea recoltei medii la hectar, au fost
efectuate câte 10 determinări obţinându-se rezultatele de mai jos:
A 98 130 96 114 113 108 109 127 125 110
B 91 125 91 122 101 99 103 117 120 106
Să se cerceteze dacă cele două varietăţi de grâu sunt de randamente egale
sau diferite.

25. S-a urmărit efectul unei substanţe asupra colesterolului sanguin. Val-
orile obţinute ı̂nainte (xi ) şi cele după tratamente (xd ) sunt date ı̂n tabelul
de mai jos:
xi xd xi xd xi xd xi xd xi xd
250 170 390 300 220 180 320 335 430 400
265 295 340 380 180 215 350 300 220 290
300 200 280 230 260 210 400 350 270 240
Să se testeze semnificaţia diferenţei dintre valorile dinainte şi de după
tratament.

26. Două maşini M1 şi M2 ambalează carne ı̂n pachete de câte un kilo-
gram. Cântărind 100 de pachete din cele ambalate cu maşina M1 s-a obţinut
o greutate medie de 1007 grame cu o abatere standard de 3 grame, iar
căntărirea a 125 pachete ambalate cu maşina M2 a condus la o greutate
medie de 1002 grame cu abaterea standard de 4 grame.

Se cere:

1 . Să se specifice dacă ı̂ntre greutatea medie a pachetelor ambalate de

cele două maşini există diferenţă semnificativă.

2 . Să se testeze omogenitatea dispersiilor greutăţii pachetelor ambalate

136
la cele două maşini.

27. Vânzările (ı̂n milioane lei) ı̂ntr-o săptămână la magazinele A şi B

dintr-o localitate sunt repartizate normal. Efectuându-se două sondaje, s-au
obţinut următoarele date:
Magazinul A 226 224 219 220 229 223 229
Magazinul B 222 230 223 224 231 224
Se cere:
1 . Să se compare sumele medii rezultate din vânzările săptămânale ale
celor două magazine.

2 . Să se verifice omogenitatea dispersiilor vânzărilor din cele două mag-

azine.

28. Se consideră 20 de loturi de teren arabil, din care 10 sunt tratate cu

fosfor. Producţia de grâu (kg) obţinută pe fiecare lot este:
tratate 45 47 40 42 43 48 50 45 47 43
netratate 35 38 42 37 40 39 38 40 43 39
Se cere:
1 . Producţia medie de grâu de pe loturile tratate şi de pe cele netratate.

2 . Variaţia producţiei medii de grâu de pe loturile tratate şi netratate.

3 . Să se determine intervalele de ı̂ncredere ale producţiei medii de grâu

de pe loturile tratate cu fosfor.

4 . Tratarea solului cu fosfor conduce la o sporire semnificativă a producţiei?

137
 5 . Să se studieze omogenitatea dispersiilor producţiei de grâu de pe lo-
turile tratate şi cele netratate.

29. La o unitate de ı̂mbuteliere a laptelui sunt două dispozitive care fac

această operaţie ı̂n pungi de 1 litru. Pentru a cerceta reglajul de ı̂mbuteliere
al celor două dispozitive, s-a efectuat câte o selecţie a pungilor cu lapte
umplute cu cele două dispozitive, obţinându-se datele:
Dispozitivul 1
xi 990 995 1000 1005 1010
ni 7 9 11 8 5
Dispozitivul 2
xi 985 990 995 1000 1005 1010
ni 4 5 6 8 6 1
Se cere:
1 . Să se cerceteze dacă greutatea medie a pungilor umplute cu cele două
dispozitive este aceeaşi.

2 . Să se verifice omogenitatea dispersiilor greutăţii pungilor umplute cu

cele două dispozitive.

30. Administrându-se două feluri de nutreţuri A şi B la 20 porci s-au

obţinut sporurile ı̂n greutate din tabelul următor:
A 165 156 159 167 170 146 130 151 164 158
B 168 180 180 166 170 161 171 169 179 191
Să se stabilească:
1 . dacă ı̂ntre sporul mediu ı̂n greutate ı̂n urma administrării nutreţului
A şi a nutreţului B există diferenţe semnificative.

138
 2 . dacă dispersiile sporului ı̂n greutate sunt omogene.

31. Numărul de inflorescenţe ale două loturi de gladiole unul cu bulbi

ı̂nalţi (din primul an) şi altul cu bulbi joşi ( din al doilea sau mai bătrâni)
este:
Inalţi 11 13 14 14 12 14 13
Joşi 15 13 16 12 14 16 12
Se cere:
1 . Numărul mediu de inflorescenţe pentru fiecare lot de gladiole.

2 . Să se specifice variaţia existentă ı̂ntre numărul de inflorescenţe pentru

gladiolele de pe cele două loturi.

3 . Să se compare numărul mediu de inflorescenţe dintre cele două loturi

de gladiole.

4 . Sunt omogene dispersiile numărului de inflorescenţe ale gladiolelor cu

bulbi ı̂nalţi şi joşi?

32. Se dă repartiţia:

xi 108 168 228 288 348 408 468 528 588 648
ni 1 4 9 16 20 35 25 14 8 2
unde xi reprezintă numărul de boabe al ştiuleţilor de porumb.
Se cere:
1 . Să se traseze graficul corespunzător.

2 . Să se afle intervalele de ı̂ncredere ale numărului mediu de boabe.

139
 3 . Corespunde numărul mediu găsit cu numărul 420 ?

33. Se cântăresc 100 de cutii de conserve ı̂ncărcate automat de un dispoz-

itiv. S-a obţinut următoarea repartiţie:
Greut. Nr. de
grame cutii
[47, 48) 10
[48, 49) 18
[49, 50) 24
[50, 51) 21
[51, 52) 16
[52, 53) 11
Se cere:
1 . Să se traseze graficul corespunzător.

2 . Să se calculeze toţi indicatorii.

3 . Să se afle intervalele de ı̂ncredere ale greutăţii medii a cutiilor.

4 . Corespunde greutatea medie a celor 100 de cutii cu 49,5 grame?

34. Incrucişând două linii de gura leului una cu flori fildeşii şi alta cu
flori roşii s-au obţinut ı̂n a doua descendenţă 3 tipuri de flori, şi anume, 62
plante cu flori roşii, 132 plante cu flori roşietice şi 66 plante cu flori fildeşii.
Corespunde această repartiţie cu proporţia teoretică de 1 : 2 : 1?

35. Intr-o fermă pomicolă 20% din producţia de mere este de cea mai

140
bună calitate, 40% de bună calitate, 30% de calitate medie şi 10% nu este de
calitate. Dintr-o selecţie de 50 de meri s-au strâns 600 lăzi, care se clasifică
astfel: 150 de calitate superioară, 290 de calitate bună, 140 de calitate medie
şi 20 sub calitate. Corespunde această repartiţie cu cea tipică?

36. In urma ı̂ncrucişării a două tipuri de lucernă (cu flori purpurii şi cu
flori galbene) a rezultat ı̂n a doua generaţie următoarea repartiţie: 169 cu flori
verzi, 64 cu flori purpurii, 65 cu flori galbene şi 13 cu flori albe. Corespunde
această repartiţie proporţiei: 9 : 3 : 3 : 1?

37. Incrucişând două feluri de mazăre, ı̂n a doua generaţie s-au obţinut
328 boabe netede şi galbene, 113 boabe netede şi verzi, 106 zbârcite şi galbene
şi 33 zbârcite şi verzi. Corespunde această repartiţie proporţiei: 9 : 3 : 3 : 1?

38. S-au ı̂ncrucişat cocoşi cu penaj frizat de culoare albă cu găini cu penaj
normal şi colorat şi s-au obţinut rezultatele: 56 produşi cu penaj frizat şi alb,
17 produşi cu penaj frizat şi colorat, 18 cu penaj normal şi alb şi 5 normal
şi colorat. Corespunde această repartiţie proporţiei teoretice de 9 : 3 : 3 : 1?

39. Prin ı̂ncrucişarea a 2 tipuri de porumb, auriu şi cu dungi verzi, ı̂n
generaţia a doua s-au obţinut 4 tipuri distincte de plante. Din 1408 plante,
au fost 798 porumb verde, 260 auriu, 263 cu dungi verzi şi 87 auriu cu dungi
verzi. Corespunde această repartiţie proporţiei teoretice de 9 : 3 : 3 : 1?

44. Din 520 de fire de varză au fost stropite cu o anumită substanţă 200.
Din firele stropite s-au ı̂mbolnăvit 40 iar din cele nestropite 90. Are efect
stropirea cu substanţa respectivă?

45. S-au vaccinat 500 păsări ı̂mpotriva pestei păsărilor. Datele sunt
cuprinse ı̂n următorul tabel:

141
 Sănătoase Bolnave Total
Vaccinate 390 20 410
Nevaccinate 10 80 90
Total 400 100 500
Să se testeze eficacitatea vaccinului asupra pestei păsărilor.

65. Să se scrie ecuaţia dreptei de regresie a procentului de fructe viermănoase

ı̂n funcţie de mărimea recoltei de mere, pe baza datelor din tabel:
recolta x
(sute fructe) 8 6 11 22 14 17 18 24 19 23

procentul y 59 58 56 53 50 50 43 42 39 38
66. Să se examineze corelaţia dintre producţia de tulpini şi perioada de
vegetaţie la cânepă, pe baza datelor:
x
perioada 55 70 85 100 115 130
producţia
q/ha, y 15 22 29 40 54 59
Să se calculeze coeficientul de regresie şi dreapta de regresie.

67. Cercetându-se concentraţia de apă (%) şi căldura specifică pentru 10

ramuri de măr, s-au obţinut rezultatele:
concentraţia
de apă 49 53 62 50 63 59 57 52 51 53
căldura
specifică 46 57 119 90 44 131 104 100 53 65
Să se determine ecuaţia dreptei de regresie a căldurii specifice ı̂n funcţie de
concentraţia de apă. Care este căldura specifică a unei ramuri cu concentraţia

142
de 61%?

68. Măsurându-se diametrul şi greutatea bulbilor de ceapă roşie s-au

obţinut valorile

Diam. 24 28 29 42 34 56 49 58 63 81 80
Greut. 35 38 38 41 42 45 45 48 51 57 58

Să se calculeze corelaţia dintre diametrul şi greutatea bulbilor de ceapă.

TABELUL 1

Funcţia lui Laplace

143
u 0 1 2 3 4 5 6 7 8 9

0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0350
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2154 0.2486 0.2517 0.2519
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389

1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3551 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3914 0.3962 0.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4477
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4118 0.4429 0.4111
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4515
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767

2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981
2.9 0.4981 0.4982 0.4983 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986

3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990
3.1 0.4990 0.4991 0.4991 0.4991 0.4992 0.4992 0.4992 0.4992 0.4993 0.4993
3.2 0.4993 0.4993 0.4994 0.4994 0.4994 0.4994 0.4994 0.4995 0.4995 0.4995
3.3 0.4995 0.4995 0.4995 0.4996 0.4996 0.4996 0.4996 0.4996 0.4996 0.4997
3.4 0.4997 0.4997 0.4997 0.4997
144 0.4997
0.4997 0.4997 0.4997 0.4997 0.4998
3.5 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998
3.6 0.4998 0.4998 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.7 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.8 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.9 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000
4.0 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000
TABELUL 2

TESTUL t

145
Gr. Nivel de semnificaţie Gr. Nivel de semnificaţie
de de
lib. 0.05 0.01 0.001 lib. 0.05 0.01 0.001

1 12.71 63.66 22 2.074 2.819 3.792

2 4.303 9.925 31.598 23 2.069 2.807 3.767
3 3.182 5.841 12.941 24 2.064 2.797 3.745
4 2.776 4.604 8.610 25 2.060 2.787 3.725
5 2.571 4.032 6.859 26 2.056 2.779 3.707

6 2.447 3.707 5.959 27 2.052 2.771 3.690

7 2.365 3.499 5.405 28 2.048 2.763 3.674
8 2.306 3.355 5.041 29 2.045 2.756 3.038
9 2.262 3.250 4.781 30 2.042 2.750 3.646
10 2.228 3.169 4.587 35 2.030 2.724 3.591

11 2.201 3.106 4.437 40 2.021 2.704 3.551

12 2.179 3.055 4.318 45 2.014 2.690 3.520
13 2.160 3.012 4.221 50 2.008 2.678 3.496
14 2.145 2.977 4.140 55 2.004 2.669 3.476
15 2.131 2.947 4.073 60 2.000 2.660 3.460

16 2.120 2.921 4.015 70 1.994 2.648 3.435

17 2.110 2.898 3.965 80 1.989 2.638 3.416
18 2.101 2.878 3.922 90 1.986 2.631 3.402
19 2.093 2.861 3.883 100 1.982 2.625 3.390
20 2.086 2.845 3.850 146 1.980
120 2.617 3.373
21 2.080 2.831 3.819 1 1.9600 2.5758 3.2905
 TABELUL 3

Testul F pentru nivelul de semnificaţie 0.05

147
 n m=1 m=2 m=3 m=4 m=5 m=6 m=7 m=8 m=9
1 161 200 216 225 230 234 237 239 241
2 18.5 19.0 19.2 19.2 19.3 19.3 19.4 19.4 19.4
3 10.1 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68
8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02
11 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90
12 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80
13 4.67 3.81 3.41 3.18 3.03 2.92 2.83 2.77 2.71
14 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65
15 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54
17 4.45 3.59 3.20 2.96 2.81 2.70 2.61 2.55 2.49
18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46
19 4.38 3.52 3.13 2.90 2.74 2.63 2.54 2.48 2.42
20 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39
22 4.30 3.44 3.05 2.82 2.66 2.55 2.46 2.40 2.34
24 4.26 3.40 3.01 2.78 2.62 2.51 2.42 2.36 2.30
26 4.23 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27
28 4.20 3.34 2.95 2.71 2.56 2.45 2.36 2.29 2.24
30 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21
32 4.15 3.30 2.90 2.67 2.51 2.40 2.31 2.24 2.19
34 4.13 3.28 2.88 2.65 2.49 2.38 2.29 2.23 2.17
36 4.11 3.26 2.87 2.63 2.48 2.36 2.28 2.21 2.15
38 4.10 3.24 2.85 2.62 2.46 2.35 2.26 2.19 2.14
40 4.08 3.23 2.84 2.61 2.45
1482.34 2.25 2.18 2.12
50 4.03 3.18 2.79 2.56 2.40 2.29 2.20 2.13 2.07
60 4.00 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04
70 3.98 3.13 2.74 2.50 2.35 2.23 2.14 2.07 2.02
80 3.96 3.11 2.72 2.49 2.33 2.21 2.13 2.06 2.00
90 3.95 3.10 2.71 2.47 2.32 2.20 2.11 2.04 1.99
100 3.94 3.09 2.70 2.46 2.31 2.19 2.10 2.03 1.97
150 3.90 3.06 2.66 2.43 2.27 2.16 2.07 2.00 1.94
 Testul F pentru nivelul de semnificaţie 0.05

(continuare)

149
 n m=10 m=15 m=20 m=30 m=40 m=50 m=100 1

1 242 246 248 250 251 252 253 254

2 19.4 19.4 19.4 19.5 19.5 19.5 19.5 19.5
3 8.79 8.70 8.66 8.62 8.59 8.58 8.55 8.53
4 5.96 5.86 5.80 5.75 5.72 5.70 5.66 5.63
5 4.74 4.62 4.56 4.50 4.45 4.44 4.41 4.37
6 4.06 3.94 3.87 3.81 3.77 3.75 3.71 3.67
7 3.64 3.51 3.44 3.38 3.34 3.32 3.27 3.23
8 3.35 3.24 3.15 3.08 3.04 3.02 2.97 2.93
9 3.14 3.01 2.94 2.86 2.83 2.80 2.76 2.71
10 2.98 2.85 2.77 2.70 2.66 2.64 2.59 2.54
11 2.85 2.72 2.65 2.57 2.53 2.51 2.46 2.40
12 2.75 2.62 2.54 2.47 2.43 2.40 2.35 2.30
13 2.67 2.53 2.46 2.38 2.34 2.31 2.26 2.21
14 2.60 2.46 2.39 2.31 2.27 2.24 2.19 2.13
15 2.54 2.40 2.33 2.25 2.20 2.18 2.12 2.07
16 2.49 2.35 2.28 2.19 2.15 2.12 2.07 2.01
17 2.45 2.31 2.23 2.15 2.10 2.08 2.02 1.96
18 2.41 2.27 2.19 2.11 2.06 2.04 1.98 1.92
19 2.38 2.23 2.16 2.07 2.03 2.00 1.94 1.88
20 2.35 2.20 2.12 2.04 1.99 1.97 1.91 1.84
22 2.30 2.15 2.07 1.98 1.94 1.91 1.85 1.78
24 2.25 2.11 2.03 1.94 1.89 1.86 1.80 1.73
26 2.22 2.07 1.99 1.90 1.85 1.82 1.76 1.69
28 2.19 2.04 1.96 1.87 1.82 1.79 1.73 1.65
30 2.16 2.01 1.93 1.84 1.79 1.76 1.70 1.62
32 2.14 1.99 1.91 1.82 1.77 1.74 1.67 1.59
34 2.12 1.97 1.89 1.80 1.75 1.71 1.65 1.57
36 2.11 1.95 1.87 1.78 1.73 1.69 1.62 1.55
38 2.09 1.94 1.85 1.76 1.71 1.68 1.61 1.53
150
40 2.08 1.92 1.84 1.74 1.69 1.66 1.59 1.51
50 2.03 1.87 1.78 1.69 1.63 1.60 1.52 1.44
60 1.99 1.84 1.75 1.65 1.59 1.56 1.48 1.39
70 1.97 1.81 1.72 1.62 1.57 1.53 1.45 1.35
80 1.95 1.79 1.70 1.60 1.54 1.51 1.43 1.32
90 1.94 1.78 1.69 1.59 1.53 1.49 1.41 1.30
100 1.93 1.77 1.68 1.57 1.52 1.48 1.39 1.28
 TABELUL 4

Testul F pentru nivelul de semnificaţie 0.01

151
 n m=1 m=2 m=3 m=4 m=5 m=6 m=7 m=8 m=9

1 4052 4999 5403 5625 5764 5859 5928 5982 6022

2 98.5 99.0 99.2 99.3 99.3 99.3 99.4 99.4 99.4
3 34.1 30.8 29.5 28.7 28.2 27.9 27.7 27.5 27.3
4 21.2 18.0 16.7 16.0 15.5 15.2 15.0 14.8 14.7
5 16.3 13.3 12.1 11.4 11.0 10.7 10.5 10.3 10.2
6 13.7 10.9 9.78 9.15 8.75 8.47 8.26 8.10 7.98
7 12.2 9.55 8.45 7.85 7.46 7.19 6.99 6.84 6.72
8 11.3 8.65 7.59 7.01 6.63 6.37 6.18 6.03 5.91
9 10.6 8.02 6.99 6.42 6.06 5.80 5.61 5.47 5.35
10 10.0 7.56 6.55 5.99 5.64 5.39 5.20 5.06 4.94
11 9.65 7.21 6.22 5.67 5.32 5.07 4.89 4.74 4.63
12 9.33 6.93 5.95 5.41 5.06 4.82 4.64 4.50 4.39
13 9.07 6.70 5.74 5.21 4.86 4.62 4.44 4.30 4.19
14 8.86 6.51 5.56 5.05 4.70 4.46 4.28 4.14 4.03
15 8.68 6.36 5.42 4.89 4.56 4.32 4.14 4.00 3.89
16 8.53 6.23 5.29 4.77 4.44 4.20 4.03 3.89 3.78
17 8.40 6.11 5.18 4.67 4.34 4.10 3.93 3.79 3.68
18 8.29 6.01 5.09 4.58 4.25 4.01 3.84 3.71 3.60
19 8.18 5.93 5.01 4.50 4.17 3.94 3.77 3.63 3.52
20 8.10 5.85 4.94 4.43 4.10 3.87 3.70 3.56 3.46
22 7.95 5.72 4.82 4.31 3.99 3.76 3.59 3.45 3.35
24 7.82 5.61 4.72 4.22 3.90 3.67 3.50 3.36 3.26
26 7.72 5.53 4.64 4.14 3.82 3.59 3.42 3.29 3.18
28 7.64 5.45 4.57 4.07 3.75 3.53 3.36 3.23 3.12
30 7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 3.07
32 7.50 5.34 4.46 3.97 3.65 3.43 3.26 3.13 3.02
34 7.44 5.29 4.42 3.93 3.61 3.39 3.22 3.09 2.98
36 7.40 5.25 4.38 3.89 3.57 3.35 3.18 3.05 2.95
38 7.35 5.21 4.34 3.86 3.54
1523.32 3.15 3.02 2.92
40 7.31 5.18 4.31 3.83 3.51 3.29 3.12 2.99 2.89
50 7.17 5.06 4.20 3.72 3.41 3.19 3.02 2.89 2.79
60 7.08 4.98 4.13 3.65 3.34 3.12 2.95 2.82 2.72
70 7.01 4.92 4.08 3.60 3.29 3.07 2.91 2.78 2.67
80 6.96 4.88 4.04 3.56 3.26 3.04 2.87 2.74 2.64
90 6.93 4.85 4.01 3.54 3.23 3.01 2.84 2.72 2.61
100 6.90 4.82 3.98 3.51 3.21 2.99 2.82 2.69 2.59
 Testul F pentru nivelul de semnificaţie 0.01

(continuare)

153
 n m=10 m=15 m=20 m=30 m=40 m=50 m=100 1

1 6056 6157 6209 6261 6287 6300 6330 6366

2 99.4 99.4 99.4 99.5 99.5 99.5 99.5 99.5
3 27.2 26.9 26.7 26.5 26.4 26.4 26.2 26.1
4 14.5 14.2 14.0 13.8 13.7 13.7 13.6 13.5
5 10.1 9.72 9.55 9.38 9.29 9.24 9.13 9.02
6 7.87 7.56 7.40 7.23 7.14 7.09 6.99 6.88
7 6.62 6.31 6.16 5.99 5.91 5.86 5.75 5.65
8 5.81 5.52 5.36 5.20 5.12 5.07 4.96 4.86
9 5.26 4.96 4.81 4.65 4.57 4.52 4.42 4.31
10 4.85 4.56 4.41 4.25 4.17 4.12 4.01 3.91
11 4.54 4.25 4.10 3.94 3.86 3.81 3.71 3.60
12 4.30 4.01 3.86 3.70 3.62 3.57 3.47 3.36
13 4.10 3.82 3.66 3.51 3.43 3.38 3.27 3.17
14 3.94 3.66 3.51 3.35 3.27 3.22 3.11 3.00
15 3.80 3.52 3.37 3.21 3.13 3.08 2.98 2.87
16 3.69 3.41 3.26 3.10 3.02 2.97 2.86 2.75
17 3.59 3.31 3.16 3.00 2.92 2.87 2.76 2.65
18 3.51 3.23 3.08 2.92 2.84 2.78 2.68 2.57
19 3.43 3.15 3.00 2.84 2.76 2.71 2.60 2.49
20 3.37 3.09 2.94 2.78 2.69 2.64 2.54 2.42
22 3.26 2.98 2.83 2.67 2.58 2.53 2.42 2.31
24 3.17 2.89 2.74 2.58 2.49 2.44 2.33 2.21
26 3.09 2.82 2.66 2.50 2.42 2.36 2.25 2.13
28 3.03 2.75 2.60 2.44 2.35 2.30 2.19 2.06
30 2.98 2.70 2.55 2.39 2.30 2.25 2.13 2.01
32 2.93 2.66 2.50 2.34 2.25 2.20 2.08 1.96
34 2.89 2.62 2.46 2.30 2.21 2.16 2.04 1.91
36 2.86 2.58 2.43 2.26 2.17 2.12 2.00 1.87
38 2.83 2.55 2.40 2.23 2.14 2.09 1.97 1.84
154
40 2.80 2.52 2.37 2.20 2.11 2.06 1.94 1.80
50 2.70 2.42 2.27 2.10 2.01 1.95 1.82 1.68
60 2.63 2.35 2.20 2.03 1.94 1.88 1.75 1.61
70 2.59 2.31 2.15 1.98 1.89 1.83 1.70 1.54
80 2.55 2.27 2.12 1.94 1.85 1.79 1.66 1.49
90 2.52 2.24 2.09 1.92 1.82 1.76 1.62 1.46
100 2.50 2.22 2.07 1.89 1.80 1.73 1.60 1.43
TABELUL 5

2
TESTUL

155
Gr. Nivel semn. Gr. Nivel semn. Gr. Nivel semn. Gr. Nivel semn.
de de de de
Lib. 0.05 0.01 Lib. 0.05 0.01 Lib. 0.05 0.01 Lib. 0.05 0.01

1 3.84 6.63 26 38.9 45.6 51 68.7 77.4 76 97.4 107.6

2 5.99 9.21 27 40.1 47.0 52 69.8 78.6 77 98.5 108.8
3 7.81 11.3 28 41.3 48.3 53 71.0 79.8 78 99.6 110.0
4 9.49 13.3 29 42.6 49.6 54 72.2 81.1 79 100.7 111.1
5 11.1 15.1 30 43.8 50.9 55 73.3 82.3 80 101.9 112.3

6 12.6 16.8 31 45.2 52.2 56 74.5 83.5 81 103.0 113.5

7 14.1 18.5 32 46.2 53.5 57 75.6 84.7 82 104.1 114.7
8 15.5 20.1 33 47.4 54.8 58 76.8 86.0 83 105.8 115.9
9 16.9 21.7 34 48.6 56.1 59 77.9 87.2 84 106.4 117.1
10 18.3 23.2 35 49.8 57.3 60 79.1 88.4 85 107.5 118.2

11 19.7 24.7 36 51.0 58.6 61 80.2 89.6 86 108.6 119.4

12 21.0 26.2 37 52.2 59.9 62 81.4 90.8 87 109.8 120.6
13 22.4 27.7 38 53.4 61.2 63 82.5 92.0 88 110.9 121.8
14 23.7 29.1 39 54.6 62.4 64 83.7 93.2 89 112.0 122.9
15 25.0 30.6 40 55.8 63.7 65 84.8 94.4 90 113.1 124.1

16 26.3 32.0 41 56.9 65.0 66 86.0 95.6 91 114.3 125.3

17 27.6 33.4 42 58.1 66.2 67 87.1 96.8 92 115.4 126.5
18 28.9 34.8 43 59.3 67.5 68 88.3 98.0 93 116.5 127.6
19 30.1 36.2 44 60.5 68.7 69 89.4 99.2 94 117.6 128.8
20 31.4 37.6 45 61.7 70.0 70 90.5 100.4 95 118.8 130.0

21 32.7 38.9 46 62.8 71.2 71 91.7 101.6 96 119.9 131.1

22 33.9 40.3 47 64.0 72.4 72 92.8 102.8 97 121.0 132.3
23 35.2 41.6 48 65.2 73.7
15673 93.9 104.0 98 122.1 133.5
24 36.4 43.0 49 66.3 74.9 74 95.1 105.2 99 123.2 134.6
25 37.7 44.3 50 67.5 76.2 75 96.2 106.4 100 124.3 135.8
 TABELUL 6

Coeficientul de corelaţie liniară

157
Gr. Nivel de semnificaţie Gr. Nivel de semnificaţie
de de
lib. 0.05 0.01 0.001 lib. 0.05 0.01 0.001

1 0.997 0.999 1.000 24 0.388 0.496 0.608

2 0.950 0.990 0.999 25 0.381 0.487 0.597
3 0.878 0.959 0.991 26 0.374 0.478 0.588
4 0.811 0.917 0.974 27 0.367 0.470 0.579
5 0.754 0.874 0.951 28 0.361 0.463 0.571

6 0.707 0.834 0.925 29 0.355 0.456 0.563

7 0.666 0.798 0.898 30 0.349 0.449 0.554
8 0.632 0.765 0.872 35 0.325 0.418 0.519
9 0.602 0.735 0.847 40 0.304 0.393 0.490
10 0.576 0.708 0.823 45 0.288 0.372 0.465

11 0.553 0.684 0.801 50 0.273 0.354 0.443

12 0.532 0.661 0.780 60 0.250 0.325 0.408
13 0.514 0.641 0.760 70 0.232 0.302 0.380
14 0.497 0.623 0.742 80 0.217 0.283 0.357
15 0.482 0.606 0.725 90 0.205 0.267 0.338

16 0.468 0.590 0.708 100 0.195 0.254 0.321

17 0.456 0.575 0.693 125 0.174 0.228 0.293
18 0.444 0.561 0.679 150 0.159 0.208 0.260
19 0.433 0.549 0.665 200 0.138 0.181 0.230
20 0.423 0.537 0.652 300 0.113 0.148 0.190

21 0.413 0.526 0.641 400 0.098 0.128 0.160

22 0.404 0.515 0.630 500 0.088 0.115 0.150
23 0.396 0.505 0.619 1000 0.062 0.081 0.110
158
Bibliografie

[1] Micula Maria: Matematici aplicate ı̂n agronomie, Casa de editură Transilvania Press,
Cluj - Napoca, 1997.

[2] Trambitas R.: Metode statistice, Presa Universitară Clujeană, Cluj - Napoca, 2000.

[3] Blickensdörfer-Ehlers A., Eschmann W.G., Neunzert H., Schelkes K.: Analysis 1,
Analysis 2, Springer-Verlag Berlin - Heidelberg - New York, 1982.

[4] Blaga P., Mureşan A.S.: Matematici aplicate ı̂n economie, vol. I şi II, Ed. Transilvania
Press, Cluj- Napoca, 1996.

[5] Kline M.: Mathematics for the Nonmathematician, Dover Publications, Inc., New
York, 2006.

[6] Stamate I.: Curs de matematici superioare, fasc. I-III, lito Inst. Agr. Cluj - Napoca,
1976.

[7] Stamate I.: Culegere de probleme de matematici superioare, Ed. Did. şi Ped., Bu-
cureşti, 1971.

[8] Duca D.I., Duca E.: Analiză matematică, Culegere de probleme, Ed. Gil, Zalău, 1999.

159