Curs 1 Econometrie

1.1. Ce este econometria? 1.2. Metodologia econometriei 1.3. Recapitularea unor noţiuni de statistică descriptivă şi inferenţială

1.1. Ce este econometria?
Simplu spus, econometria înseamnă măsurătoare economică.

Ragnar Anton Kittil Frisch primul câştigător al premiului Nobel în economie 1969

Goldberg1 defineşte econometria ca fiind ştiinţa în care uneltele teoriilor economice, matematice şi statistice sunt aplicate pentru analizarea unor fenomene economice. Samuelson, Koopmans şi Stone2 spun că econometria constă în aplicarea statisticii în datele economice pentru a adapta modelele empirice la modele construite cu ajutorul economiilor matematice cu scopul de a obţine rezultate numerice.

Paul Anthony Samuelson premiul Nobel în economie în 1970

Tjalling C.Koopmans premiul Nobel în economie în 1975

John Richard Nicholas Stone premiul Nobel în economie în 1984

În fapt, econometria, se bazează pe dezvoltarea metodelor statistice pentru estimarea legăturilor între variabilele economice, pentru testarea teoriilor economice şi pentru evaluarea şi implementarea politicilor economice. Una dintre cele mai importante aplicaţii ale econometriei constă în previzionarea unor indicatori macroeconomici cum ar fi rata dobânzii, rata inflaţiei, PIB.
1 2

Goldberg, A.S., Econometric Theory, Wiley, New-York, 1964, p. 1. Samuelson, P.A., Koopmans, T.C., Stone, J.R.N., Report of the Evaluative Committee for Econometrica, Econometrica, 22(2), 1954, pg. 141-146.

1

1.2. Metodologia econometriei
1. 2. 3. 4. 5. 6. 7. 8. Formularea ipotezelor; Colectarea datelor; Specificarea modelului matematic; Specificarea modelului statistic sau econometric; Estimarea parametrilor modelului ales; Găsirea celui mai bun model; Testarea ipotezelor ce derivă din model; Estimări şi previziuni pe baza modelului.

În fapt econometria a apărut ca instrument de testare a unor ipoteze formulate pornind de la anumite situaţii întâlnite în practica economică. Spre exemplu pornim cu următoarea întrebare:

? Influenţează condiţiile economice dorinţa oamenilor de a munci?
Pentru a răspunde la această întrebare considerăm două variabile şi anume rata şomajului (RS) şi rata forţei de muncă (RFM).

1.2.1. Formularea ipotezelor
În teoriile economice asupra pieţei muncii există două ipoteze asupra efectului condiţiilor economice asupra dorinţei oamenilor de a muncii şi anume: 1. ipoteza „discouraged-worker” care spune că atunci când condiţiile economice se înrăutăţesc mulţi şomerii renunţă la speranţa de a-şi mai găsi un loc de muncă; 2. ipoteza „added-worker” care spune că în condiţii economice înrautăţite mulţi dintre cei apţi de muncă, dar care nu activează pe piaţa muncii (mame cu copii), decid să intre pe piaţa muncii în condiţiile în care celălalt membru al familiei îşi pierde slujba. Chiar dacă slujba este slab remunerată, câştigurile vor acoperi o parte din pierderile suferite prin concedierea celulilalt membru al familiei. Este evident că dacă efectul „added-worker” este dominant, RFM va creşte chiar în condiţiile unei RS ridicate. Invers, dacă efectul „discouraged-worker” este dominant atunci RFM va scădea. Se pune întrebarea cum aflăm acest lucru? Care evident este o întrebare empirică.

2

1.2.2. Colectarea datelor
Avem nevoie de informaţii cantitative despre cele două variabile. Anul 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 RFM (%) 63.8 63.9 64.0 64.0 64.4 64.8 65.3 65.6 65.9 66.5 66.5 66.2 66.4 66.3 66.6 66.6 66.8 RS (%) 7.1 7.6 9.7 9.6 7.5 7.2 7.0 6.2 5.5 5.3 5.6 6.8 7.5 6.9 6.1 5.6 5.4 COM* ($) 7.78 7.69 7.68 7.79 7.80 7.77 7.81 7.73 7.69 7.64 7.52 7.45 7.41 7.39 7.40 7.40 7.43

*COM – câştigul mediu orar

1.2.3. Specificarea modelului matematic
Pentru a vedea cum se comportă RFM în raport cu RS vom reprezenta grafic datele:
67

66

RFM (y)

65

64

63 5 6 7 RS (x) 8 9 10

Din grafic reiese că între RFM şi RS există o relaţie inversă. Aceasta poate sugera spre exemplu că efectul „discouraged-worker” este mai puternic decât efectul „addedworker”.

3

Specificarea modelului statistic sau econometric Modelul liniar de mai sus nu este foarte „iubit” de statisticieni pentru că acest model sugerează că unei valori a lui RS îi corespunde o unică valoare a lui RFM.4. (1) 1. Gaficul sugerează. în cazul exemplului nostru. Se pune întrebarea: sunt cele două variabile relaţionate cauzal? Este RS cauza şi RFM efectul? Cu alte cuvinte implică regresia cauzalitate? (3) 4 . Observaţie În ecuaţia (2) am stabilit că RFM este variabila dependentă. Din punct de vedere practic aceste erori aleatoare reprezintă alţi factori(aleatori) care pot influenţa RFM. Se observă că relaţia (2) derivă din relaţia (1) ceea ce demonstrează complementaritatea matematicilor economice şi a econometriei. Reiese clar din reprezentarea grafică că nu toate punctele se află pe aceeaşi dreaptă. B1 ne arată cu cât se modifică RFM atunci când RS se modifică cu o unitate.2. În practică aceste cazuri sunt rareori întâlnite de cele mai multe ori relaţiile între diferite variabile economice sunt inexacte sau statistice adică sunt adevărate cu o anumită probabilitate. De ce se întâmplă aşa? Pentru că între valorile observate (cele din tabel) şi cele calculate (cele de pe dreapta definită de ecuaţia (1)) există anumite diferenţe. diferenţe cunoscute sub numele de erori aleatoare. În aceste condiţii modelul econometric va fi: RFM=B0 + B1*RS + u (2) Modelul (2) este cunoscut sub numele de model regresional liniar care în forma sa generală arată astfel: Y=B0 + B1*X + u unde: Y – variabila dependentă (explicată. iar RS este variabila independentă. B1 poate fi pozitiv caz în care în exemplul nostru efectul „added-worker” domină efectul „discouraged-worker” sau poate fi negativ caz în care efectul „discouraged-worker” este mai puternic decât efectul „added-worker”. input). X – variabila independentă (explicativă.Ca o primă aproximare putem scrie relaţia dintre RFM şi RS astfel: RFM=B0 + B1*RS B0. B1 se numesc parametrii modelului matematic. că B1<0. output).

2. Dacă cauzalitatea nu poate fi stabilită. 1961. Alegerea celui mai bun model Cât de bun. între cele două variabile. Stuart. Kendall.64 puncte procentuale.9 – 0.6458*RS Observaţie: RFM ne reaminteşte că (4) este o estimare a ecuaţiei (2). Dacă vom lua în considerare şi această variabilă atunci vom ajunge la următorul model: RFM= B0 + B1*RS + B2*COM + u Ecuaţia (5) este un exemplu de model regresional multiplu variabile explicative. (5) în care intervin două Parametrii modelului. în cazul exemplului nostru.Kendall şi Stuart3 notează că o relaţie statistică. Estimarea parametrilor modelului econometric Metoda care stă la baza estimării parametrilor modelului regresional se numeşte metoda celor mai mici pătrate pe baza căreia obţinem că: RFM = 69. A.G. adică ştiind RS putem previziona RFM. cât de adecvat. teoria economică trebuie să stabilească relaţia de tip cauză-efect. (4) 1. RFM scade în medie cu 0.9355 – 0. Această relaţie ne arată că dacă RS creşte cu o unitate. New-York. atunci ecuaţia (2) o vom numi relaţie predictivă. se determină prin metoda celor mai mici pătrate.446*RS – 3.86*COM (6) Această relaţie ne arată următoarele: • dacă COM este constatat atunci RFM se modifică cu 0. Ideea de cauzalitate trebuie să vină din afara statisticii. oricât de puternică şi sugestivă nu poate stabili o relaţie cauzală.446 puncte procentuale la modificări cu o unitate ale RS. este modelul definit de ecuaţia (4)? Este adevărat că o persoană va decide să intre pe piaţa muncii luând în considerare condiţiile de pe această piaţă măsurate prin rata şomajului? Este evident că există şi alţi factori care vor influenţa decizia cum ar fi spre exemplu câştigul mediu orar (COM). Conform acestei teorii. 1. aşa cum vom vedea mai târziu.. 3 5 . dacă există. M.2. Charles Griffin Publishers.6.. The Advanced Theory of Statistics.5. În acest caz vom avea: RFM= 97.

• dacă RS este constatat atunci RFM se modifică cu 3. ce putem face cu acesta? Răspunsul este cât se poate de evident. elemente.86 puncte procentuale la modificări cu o unitate ale COM.1. prezentării şi interpretării datelor. serii statistice Statistica – ştiinţa colectării.2. analizării. se vor observa diferenţa numite şi erori de predicţie. De exemplu ipoteza „discouraged-worker” postulează o relaţie inversă între RFM şi RS. publicate de guvern. Dacă acest lucru este întotdeauna posibil vom vedea ceva mai târziu. Evident că scopul nostru va fi ca aceste erori să fie cât mai mici. 1.3. Comparând valorile obţinute cu cele reale.2. Pentru detalii sunteţi rugaţi să consultaţi: Server/Profiles/Chifu/Statistica_aplicata 1. Care model trebuie ales? 1. Elemente de statistică descriptivă Date. eşantion. populaţie. Îl vom folosi pentru a estima sau previziona RFM corespunzătoare unor valori ale RS şi COM înregistrate spre exemplu în anul 1997. Estimări şi predicţii Se pune natural următoarea întrebare: O dată trecuţi prin toate etapele de mai sus şi având la dispoziţie cel mai bun model regresional. Ce este de reţinut aici este faptul că în cazul analizei regresionale s-ar putea să fim interesaţi nu numai de estimarea parametrilor modelului ci şi de testarea unor ipoteze sugerate de teoria economică.8. Testarea ipotezelor ce derivă din model Având acum un model determinat vrem să aflăm dacă acesta are sens din punct de vedere economic. Recapitularea unor noţiuni de statistică descriptivă şi inferenţială Ne propunem în această secţiune să facem un repertoar al celor mai importante noţiuni de statistică descriptivă şi inferenţială. date statistice 6 . variabile. Reiese această ipoteză din rezultatele obţinute de noi? Rezultatele obţinute de noi sunt în conformitate cu această ipoteză deoarece coeficientul estimat corespunzător lui RS este negativ.3.7. noţiuni ce vor fi folosite de-a lungul cursului de econometrie. 1.

Clasificarea datelor statistice Date calitative etichete sau nume utilizate pentru identificarea unui atribut al fiecărui element. Pot fi numerice sau non-numerice Date statistice Date cantitative arată cantitatea fiind întotdeauna date numerice elemente (unităţi) statistice – entităţi în funcţie de care sunt colectate datele. Variabile de timp – exprimă timpul în care au luat fiinţă elementele (data de expirare a unui produs). Seria statistică – grupare de valori rezultată ca urmare a analizării unei populaţii în raport cu una sau mai multe variabile. populaţie statistică – ansamblul tuturor elementelor eşantion – subansamblul unei populaţii variabilă statistică – caracteristică comună a unităţilor unei populaţii Clasificarea variabilelor statistice Variabile calitative sunt formate din date calitative Variabile statistice Variabile cantitative sunt formate din date cantitative Discrete iau doar anumite valori dintr-un interval Continue iau orice valoare dintr-un interval Clasificarea II Variabile atributive – exprimă o însuşire esenţială a elementelor. Variabile de spaţiu – exprimă spaţiul în care există unităţile (localizarea punctelor de distribuţie a presei). Serii statistice multidimensionale – au la bază două sau mai multe variabile. Clasificare 1. după tipul variabilelor de la baza seriei: Serii calitative – au la bază variabile calitative. după numărul variabilelor de la baza seriei: Serii statistice unidimensionale – au la bază o singură variabilă. 2. 7 .

k= 1. frecvenţa relativă (fk)= frecventa absolută ( N k ) . Nk . volumul populatiei ( N ) Frecvenţa absolută cumulată: N(xk)=N1+. spaţiu sau de la o categorie la alta. k= 1.. k= 1.. Serii cronologice (de timp) – au la bază variabile de timp.... o clasificare generală a seriilor statistice ar fi următoarea: Serii de repartiţie – redau distribuţia populaţiei în raport cu una sau mai multe variabile.3. r . xr Frecvenţa N1 . Nr unde xk.+fk. r . k= 1.. 8 . sunt stările variabilei X în raport cu care este studiată populaţia. r . Astfel. Ea se prezintă sub următoarea formă: Clasa x1 . Frecvenţa relativă cumulată: F(xk)=f1+. Serii teritoriale (de spaţiu) – au la bază variabile de spaţiu. r . după natura variabilelor de la baza seriei: Serii atributive – au la bază variabile atributive. reprezintă numărul de unităţi ale populaţiei pentru care variabila X a înregistrat valoarea xk.. k= 1. clasele se stabilesc în raport cu stările variabilei. r . k= 1. şi poartă numele de frecvenţă absolută... Serii cantitative – au la bază variabile cantitative.. xk . Organizarea datelor Seria de repartiţie (de distribuţie) – construcţie ce arată frecvenţa (numărul de observări) fiecărei clase (grupe) ce apare în populaţia studiată.+Nk. Exemplul 1 Distribuţia studenţilor după nota obţinută la statistică a fost următoarea: Nota 4 5 6 7 8 9 10 Total Frecvenţa absolută 10 20 25 40 35 15 5 Frecvenţa relativă Frecvenţa absolută cumulată Frecvenţa relativă cumulată Organizarea datelor calitative În cazul unei serii ce are la bază o variabilă calitativă. Serii de variaţie – redau variaţia unei mărimi în timp. r . iar Nk... pentru fiecare stare a variabilei se va construi o clasă. 4.

2. clasele se stabilesc ca şi în cazul seriilor care au la bază variabile cu caracter calitativ adică fiecărei stări a variabilei i se asociază o clasă. 3. 4.Exemplul 2 Un producător de pâine realizează cinci sortimente de pâine pe care le pune în vânzare printr-un magazin propriu. avînd stările_______________ Repartiţia clienţilor în raport cu sortimentul ales este: Sortiment (S) F B PA PN PI Total Organizarea datelor cantitative Frecvenţa absolută Frecvenţa relativă Frecvenţa absolută cumulataă Frecvenţa relativă cumulataă În cazul în care seria are la bază o variabilă cantitativă discretă dar cu un număr relativ mic de stări. Rezultatele studiului sunt redate în tabelul următor: PA PA F B PA PI 1. datele culese au fost următoarele: Vechimea angajaţilor (V) 2 2 4 3 1. 4 5 2 5 2 3 3 5 4 3 3 2 2 3 3 5 Populaţia studiată este formată din_________________________ Volumul eşantionului este n=_______ Variabila în raport cu care este studiat eşantionul este__________. de tip_______. baghetă (B). PI PN PA F F B B PI PN PN PA PI PA PA F B F PN PI PA PA F F B Populaţia studiată este formată din_________________________ Volumul eşantionului este n=_______ Variabila în raport cu care este studiat eşantionul este__________. Cele cinci sortimente de pâine sunt: franzelă (F). pâine neagră (PN). Producătorul iniţiază un studiu în vederea obţinerii de informaţii cu privire la sortimentul care se bucură de cel mai mare succes printre consumatori. pâine albă (PA). Referitor la vechimea angajaţilor în firmă. Pentru aceasta producătorul urmăreşte un lot de n=30 clienţi pentru a vedea sortimentul pe care aceştia îl preferă. 3. Exemplul 3 Managerii unei firme (F) având 20 de angajaţi doresc să cunoască date referitoare la aceştia în vederea realizării unor promovări. de tip_______. avînd stările_______________ Repartiţia angajaţilor în raport cu vechimea ales este: Vechime (V) 2 3 4 Frecvenţa absolută1 Frecvenţa relativă (%)2 Frecvenţa absolută cumulată3 Frecvenţa relativă cumulată (%)4 9 . 4. 2. pâine integrală (PI).

xk-1 – xk .... .... . k= 1. unde l este lungimea intervalului de variaţie.. de tip_______. . Nk . datele culese (sute RON) sunt următoarele: Veniturile angajaţilor (Vn) 12 15 20 22 1. Lungimea intervalului (l)= x max − x min . . Nr xo=xmin este cea mai mică valoare înregistrată de variabilă.. numar clase Exemplul 4 Relativ la veniturile lunare ale angajaţilor firmei F. . Clasa xo – x1 ... 4... xJ N1J N2J NiJ NIJ NJ Total ′ N1 ′ N2 N i′ N′ I N 10 .. intervalul de variaţie. yI Total x1 N11 N21 Ni1 NI1 N1 x2 N12 N22 Ni2 NI2 N2 ..... xk=xk-1+l.. 14 14 15 27 21 18 19 18 22 32 16 18 17 23 28 13 Populaţia studiată este formată din_________________________ Volumul eşantionului este n=_______ Variabila în raport cu care este studiat eşantionul este__________.. ..xk – clasa. 2. .. xk-1 . xr=xmax este (în general) cea mai mare valoare înregistrată de variabilă. r ..... 3. . . xr-1 – xr unde: Frecvenţa N1 . xj N1j N2j Nij NIj Nj . . avînd stările_______________ Repartiţia angajaţilor în raport cu venitul ales este (se vor folosi 5 calse): Venit (Vn) Frecvenţa absolută1 Frecvenţa relativă (%)2 Frecvenţa absolută cumulată3 Frecvenţa relativă cumulată (%)4 Total Distribuţii bidimensionale X Y y1 y2 .5 Total Ce se întâmplă dacă la baza unei serii statistice stă o variabilă cantitativă continuă sau discretă dar cu un număr mare de stări?⇒ intervalele de variaţie............ yi .

Astfel vom avea următoarele etape: 11 . Dacă rMe ∈ Ζ atunci Me = xrMe + xrMe +1 2 . = ∑ xk f k x= ∑ x k nk = N . Exemplul 5 Relativ la angajaţii firmei F. • N i′ .În acest tabel notaţiile ce apar reprezintă: • Nij – numărul de unităţi pentru care variabila X a înregistrat starea xj. unde [rMe] reprezintă partea întreagă a rangului medianei. Modalitatea de calcul nu diferă foarte mult de cea din cazul medianei. 2 Dacă rMe ∉ Ζ atunci Me = x[rMe ]+1 . iar variabila Y a înregistrat starea yi. x ) populaţie μ eşantion Valoarea mediană (Me) Modalitatea de calcul a valorii mediane în cazul discret implică următoarele etape: Determinarea rangului valorii mediane: rMe = ∑ xk N k N n = ∑ xk f k .numărul de unităţi pentru care variabila Y a înregistrat starea yi indiferent de nivelul • • înregistrat de variabila X. repartiţia bidimensională în raport cu vechimea şi veniturile salariale lunare va arăta astfel: Venituri salariale (Vn) 20 – 24 24 – 28 12 – 16 2 3 4 5 Total Vechime (V) 16 – 20 28 – 32 Total Parametrii tendinţei centrale şi de structură Cazul discret Valoarea medie (μ. Valoarea modală este acea valoare a unei variabile pentru care s-a înregistrat cea mai mare frecvenţă Quartilele Aşa cum am văzut împart populaţia în 4 părţi egale ceea ce implică faptul că vom avea de calculat p=3 valori. Nj . N – volumul populaţiei studiate.numărul de unităţi pentru care variabila X a înregistrat starea xj indiferent de nivelul înregistrat de variabila Y.

4 Qp] reprezintă partea întreagă a x rq + x rq p +1 2 . x1] (x1 .. (xk-1. unde x k = ′ ′ = ∑ x k f k . atunci Me∈(xk-1 . fr În cazul datelor grupate pe intervale de variaţie modalitatea de calcul a valorii medii este următoarea: În cazul populaţiei: μ= = ∑ xk′ N k N ′ ′ = ∑ x k f k . unde x k = x k −1 + x k .+Nk ≥ rMe. Calcularea expresiei Δx = rMe − N ( x k −1 ) ⋅ ( x k − x k −1 ) . xk] interval căruia îi corespunde frecvenţa Nk... unde [r p p ⋅N . x ) Frecvenţa absolută N1 N2 . 2 Determinarea intervalului valorii mediane – se calculează frecvenţele cumulate până la acea frecvenţă care adăugată conduce la depăşirea rangului valorii mediane. (xr-1. 12 . unde N ( x k −1 ) este frecvenţa Nk cumulată până la intervalul median. Nk . este centrul clasei k 2 (mijlocul intervalului de variaţie).. Frecvenţa relativă f1 f2 . Valoarea modală (Mo) Determinarea intervalului valorii modale .. Mo = xk-1 + Δ1 + Δ2 Δ1 ⋅ ( x k − x k −1 ) . cu alte cuvinte dacă N1+.. iar Δ2 este diferenţa dintre frecvenţa intervalului modal şi frecvenţa intervalul următor. unde Δ1 este diferenţa dintre frecvenţa intervalului modal şi frecvenţa intervalul precedent... În cazul eşantionului x ∑ xk′ nk n x k −1 + x k este centrul clasei k 2 (mijlocul intervalului de variaţie) Valoarea mediană (Me) Determinarea rangului valorii mediane: rMe = N .Determinarea rangului quartilei: rQ p = Dacă rQ p ∉ Ζ atunci Qp = x r rangului quartilei.... Nr qp [ ]+1 . x2] . xk] . Dacă rQ p ∈ Ζ atunci Qp = Cazul datelor grupate pe intervale de variaţie Clasa [xo ...acel interval pentru care s-au înregistrat cele mai multe unităţi statistice.. Calcularea valorii mediane: Me = xk-1 + Δx. xr] Valoarea medie (μ. fk .

. Populaţie: σx = 2 σx . iar nk 2 este frecvenţa clasei în eşantion.Quartilele Determinarea rangului quartilei: rq p = p N . cu alte cuvinte dacă N1+. m Determinarea intervalului quartilei – se calculează frecvenţele cumulate până la acea frecvenţă care adăugată conduce la depăşirea rangului quartilei. xk]. n −1 2 Caz continuu (date grupate pe intervale de variaţie): 2 sx = ∑ (xk′ − x ) nk . ′ unde x k = Eşantion Caz discret x k −1 + x k este centrul clasei k (mijlocul intervalului de variaţie). 2 date negrupate 2 sx = ∑ (xk − x ) n −1 2 2 . Dispersia Populaţie Caz discret date 2 negrupate σ x = ∑ (xk − μ ) 2 N 2 2 ∑ (xk − μ ) N k date grupate σ x = N 2 σx . date grupate 2 sx = ∑ (xk − x ) nk . n −1 ′ unde x k = x k −1 + x k este centrul clasei k (mijlocul intervalului de variaţie). dând măsura gradului de împrăştiere a valorilor variabilei în jurul valorii medii. Caz continuu (date grupate pe intervale de variaţie): ∑ (xk′ − μ ) = N 2 Nk . s).. m − 1 . 13 . .+Nk ≥ rq p . iar lk este lungimea intervalului quartilei. atunci qp ∈(xk-1 . Abaterea medie pătratică – măsoară gradul de reprezentativitate al valorii medii. Calcularea valorii quartile: qp = xk-1 + Δx. Parametrii variaţiei Dispersia (σ2. m − 1 . p= 1. Abaterea medie pătratică (σ. s2). unde N ( x k −1 ) este frecvenţa cumulată până la intervalul quartilei. p= 1. Calcularea expresiei Δx = rq p − N ( x k −1 ) Nk ⋅ ( x k − x k −1 ) .

mediană.24] (24. sx Exemplul 6 Reluăm exemplul relativ la vechimea angajaţilor firmei F.3] ⇒ legătură liniară pozitivă (directă) slabă. Coeficientul de corelaţie liniară rxy = n∑ x i2 − (∑ x i ) n∑ x i y i − ∑ x i ∑ y i 2 n∑ y i2 − (∑ y i ) 2 Valorile coeficientului de corelaţie sunt cuprinse între -1 şi 1. • dacă r∈ (0. quartilele şi parametrii variaţiei. • dacă r∈[-0. 14 .3) ⇒ legătură liniară negativă (inversă) de intensitate medie. • dacă r∈ [-1. • dacă r∈[-0.3. Seria statistică obţinută în acest caz a fost: Vechime (V) 2 3 4 5 Total Frecvenţa absolută 6 7 3 4 20 Să se determine vechimea medie. Coeficientul de variaţie al lui Pearson Populaţie: Vx = Eşantion: Vx = σx × 100 .0.7) ⇒ legătură liniară negativă (inversă) puternică. -0. Astfel: • dacă r∈[0. modală.16] (16.0] ⇒ legătură liniară negativă (inversă) slabă. μ x × 100 .32] Centrul 14 18 22 26 30 Frecvenţa absolută 7 6 4 2 1 Să se determine vechimea medie.3.28] (28.1] ⇒ legătură liniară pozitivă (directă) puternică.7. quartilele şi parametrii variaţiei. Exemplul 7 În cazul veniturilor angajaţilor firmei F avem: Clasa de venit [12. modală. mediană. -0.0.20] (20.7.Eşantion: sx = 2 sx . • dacă r∈(0.7] ⇒ legătură liniară pozitivă (directă) de intensitate medie.

Exemplul 8 Un eşantion de 20 de angajaţi ai unei firme a furnizat următoarele date în ceea ce priveşte vechimea şi venitul lunar: Vechimea (ani) 2 2 4 3 3 4 5 5 1 2 5 5 5 3 3 2 4 5 1 3 Venitul (mil. Estimatorul punctual al erorii standard a mediei σx este sx unde: sx = sx n în cazul populaţiei infinite. Elemente de statistică inferenţială Estimarea parametrilor Estimarea punctuală a parametrilor Estimatorul punctual al valorii medii μ a populaţiei este media de eşantion x= ∑ xi .2. ROL) 15 16 20 17 16 19 22 21 12 14 22 21 21 16 18 14 19 21 10 17 Se cere să se studieze intensitatea legăturii dintre vechime şi venit. 15 . Estimatorul punctual al abaterii medii pătratice a populaţiei σx este abaterea medie pătratică de eşantion sx= 2 sx . n Estimatorul punctual al dispersiei populaţiei s 2 x ∑ (xi − x ) = n −1 2 σx este dispersia de eşantion 2 . 1. Estimatorul punctual al proporţiei populaţiei p este proporţia la nivel de eşantion p.3.

eroarea standard a mediei. Pe de altă parte se ştie că 2 din cei 8 angajaţi au urmat un curs de calificare. Să se estimeze punctual: 1. 10. 7. 14. 4. Estimarea parametrilor prin intervale de încredere Intervalul (λ1. 2. abaterea medie pătratică a populaţiei. 10. 12.λ2) se numeşte interval de încredere pentru parametrul necunoscut λ dacă P(λ1< λ < λ2)= 1–α. 3. 8. 6.Exemplul 9 Datele următoare corespund unui eşantion de 8 angajaţi ai unei companii studiaţi în raport cu salariul lunar exprimat în mii RON. ˆ Dacă λ este un estimator punctual al parametrului necunoscut λ atunci intervalul de încredere pentru parametrul λ va avea forma: ˆ λ ± (eroarea de eşantion) Interval de încredere pentru valoarea medie x ± (eroarea de eşantion) Cazul eşantioanelor de volum mare (n≥30) Dacă se cunoaşte dispersia populaţiei atunci: μ ∈ x ± zα 2σ x σ x = ( ) σ n Dacă nu se cunoaşte dispersia populaţiei atunci: μ ∈ x ± zα 2 s x ( ) sx = sx n 16 . media populaţiei. proporţia populaţiei. unde (1–α) se numeşte coeficient (nivel) de încredere iar α se numeşte coeficient (nivel) de semnificaţie. 5.

99 P(0< z < zα 0. Interval de încredere pentru estimarea diferenţei a două valori medii Cazul eşantioanelor independente o Eşantioane independente de volum mare (n1≥ 30.96 2.Nivel de semnificaţie α 0.95.495 2 ) zα 2 1. Datele obţinute au arătat un cost mediu de 32 euro. 2.45 0.(n−1) gl s x ).95.1 0.4 euro determinaţi un interval de încredere pentru valoarea medie cu un coeficient de încredere de 0. Presupunând că nu se cunoaşte dispersia populaţiei dar că eşantionul a furnizat o dispersie 2 s x =4.90 0. s x = sx n Exemplul 11 Să se determine un interval de încredere pentru salarul mediu al angajaţilor companiei de la Exemplul 9 cu un nivel de încredere de 0.95. Presupunând că abaterea medie pătratică la nivel de populaţie este σ=2.95 0.01 Nivel de încredere 1–α 0.58 Exemplul 10 Pentru a estima costul mediu al cazării/noapte într-o anumită staţiune este studiat un eşantion de 64 de turişti. n2≥ 30) 17 .475 0. Cazul eşantioanelor de volum mic (n< 30) μ ∈ (x ± tα 2. 1. determinaţi un interval de încredere pentru valoarea medie cu un coeficient de încredere de 0.05 0.65 1.

o Cazul eşantioanelor de volum mic (n1< 30. 18 . 4. Din cea de a doua populaţia s-a extras un eşantion de volum n2=75 ce a furnizat o medie x2 =12 cu o abatere medie s2=3. 4. 2. 3. Exemplul 12 Se consideră două populaţii originare studiate în raport cu aceeaşi variabilă. s 2 . Exemplul 13 Din două populaţii originare având dispersii egale s-au extras următoarele două eşantioane: 2. 5. 1. 3.μ 1 − μ 2 ∈ x1 − x2 ± zα 2σ x − x 1 ( 2 ). Din prima populaţie se extrage un eşantion de volum n1=50 ce a furnizat o valoare medie x1 =15 cu o abatere medie s1=4. 5. 4. 5. 3. σ x1 − x2 = σ 12 n1 + 2 σ2 n2 . gl s x − x 1 ( sx 1 − x2 (n1 − 1)s 12 + (n 2 − 1)s 22 1 1 2 =s + . n2< 30) μ 1 − μ 2 ∈ x1 − x 2 ± t α 2 . s = n1 n 2 (n1 + n 2 − 2 ) 2 ). 5. Dacă nu se cunosc dispersiile populaţiilor atunci acestea se înlocuiesc cu estimatorii lor punctuali şi anume dispersiile de eşantion 2 2 s1 . Cu un nivel de încredere de 95% să se determine un interval de încredere pentru diferenţa valorilor medii ale celor două populaţii. 4. Cu un nivel de încredere de 95% să se determine un interval de încredere pentru diferenţa mediilor celor două populaţii. 7. iar σ x −x 1 2 se înlocuieşte cu estimatorul său punctual sx 1 − x2 2 2 s1 s 2 = + n1 n 2 . 3. 2. Astfel în acest caz intervalul va avea următoarea formă: μ 1 − μ 2 ∈ x1 − x2 ± zα 2 s x − x 1 ( 2 ). 2. .

19 . d=x1 – x2. O ipoteză formulată asupra acestui parametru se va numi ipoteză nulă Ho. Valoarea medie: d = 2 Dispersia: sd ∑ di . . Exemplul 14 Datele de mai jos reprezintă timpii realizaţi de o echipă ce asamblează manual anumite produse de artizanat înainte şi după parcurgerea unui stagiu de pregătire: Muncitor 1 2 3 4 5 6 7 8 9 10 Înainte de stagiu 10 10 8 9 7 8 9 6 8 9 După stagiu 8 7 7 9 6 7 8 5 5 6 Să se estimeze diferenţa dintre performanţele muncitorilor înainte şi după parcurgerea stagiului de pregătire. Verificarea ipotezelor statistice Teste de semnificaţie Fie λ un parametru necunoscut al unei populaţii.Cazul eşantioanelor perechi μ d ∈ (d ± zα 2 s d ) . cu un nivel de încredere de 95%. di = x1i − x2i n 2 (d − d ) =∑ i n−1 . Abaterea medie pătratică Eroarea standard s d 2 sd = sd = sd n .

Formularea ipotezei nule şi a ipotezei alternative Teste unilaterale Ho: λ=λo Ho: λ=λo H1: λ>λo H1: λ< λo Test bilateral Ho: λ=λo H1: λ≠λo 2. Zonele de respingere şi de acceptare ale ipotezei nule Test bilateral Zonă de respingere Zonă de acceptare Zonă de respingere valoarea critică valoarea critică Test unilateral la dreapta Zonă de respingere Zonă de acceptare valoarea critică 20 .2. Figura 12. Luarea deciziei. alegerea şi calcularea statisticii test ce va fi folosită pentru a decide acceptarea sau respingerea ipotezei nule.Ho: λ=λo O altă ipoteză ce se formulează este ipoteza alternativă H1 ce poate avea următoarea formă: H1: λ≠λo – test bilateral.probabilitatea comiterii unei erori prin respingerea ipotezei nule datorită erorii de eşantionare. în cazul în care aceasta este de fapt adevărată. 3. Etapele derulării unui test de semnificaţie 1. Colectarea datelor la nivel de eşantion. H1: λ>λo – test unilateral la dreapta. Determinarea nivelului de semnificaţie α .1. 5. Determinarea valorilor critice ale statisticii. H1: λ<λo – test unilateral la stânga. 4.

H1: μ≠μo Ho: μ=μo. 21 .(n −1)gl Luarea deciziei Dacă valorile calculate ale statisticilor se află între valorile critice atunci ipoteza nulă nu poate fi respinsă în caz contrar aceasta se respinge Luarea deciziei Dacă valorile calculate Dacă valorile sunt mai mici decât cele calculate sunt mai critice ipoteza nulă nu mari decât cele poate fi respinsă. zα b. alegerea şi calcularea statisticii: şi calcularea statisticii: a.(n −1) gl a.5 zile cu o abatere medie de două zile. H1: μ>μo Ho: μ=μo. ± z α 2 b. z= x − μo σx sau z= x − μo sx b. z= x − μo σx sau z= x − μo sx a. Cu un nivel de semnificaţie α=0. Un eşantion de 100 de baterii a furnizat o medie de 19.05 verificaţi dacă garanţia oferită este corectă. alegerea Colectarea datelor la nivel de eşantion. t= x − μo sx Determinarea valorilor critice a. tα . H1: μ<μo Determinarea nivelului de semnificaţie α Determinarea nivelului de semnificaţie α Colectarea datelor la nivel de eşantion. . ± tα 2 .zα b.tα .Test unilateral la stânga Zonă de respingere Zonă de acceptare valoarea critică Verificarea ipotezelor asupra valorii medii μ Test bilateral Test unilateral Formularea ipotezelor Formularea ipotezelor Ho: μ=μo.(n −1)gl Determinarea valorilor critice a. Exemplul 15 Un producător de baterii oferă o garanţie de 20 de zile. t= x − μo sx b. critice ipoteza nulă nu poate fi respinsă. .

Verificarea ipotezelor asupra diferenţei valorilor medii μ1-μ2 Eşantioane independente Test bilateral Test unilateral Formularea ipotezelor Formularea ipotezelor Ho: μ1-μ2=0. H1: μ1-μ2 >0 Ho: μ1-μ2=0. sx −x 1 2 ) sx = 2 2 s1 n1 2 + n2 2 sx 1 − x2 = 2 2 s1 s 2 + n1 n 2 2 2 n1<30. 4. 2. H1: μ1-μ2≠0 Ho: μ1-μ2=0. z= (x 1 1 − x2 − x 2 − (μ 1 − μ 2 ) . 5. + n1 n 2 s2 = 2 (n1 − 1)s12 + (n2 − 1)s2 (n1 + n2 − 2 ) s2 = 2 (n1 − 1)s12 + (n2 − 1)s2 (n1 + n2 − 2 ) Determinarea valorilor critice Determinarea valorilor critice 22 . n2<30 ( σ 1 = σ 2 = σ ) 2 sx =s t= (x − x )− (μ 1 2 1 − μ2 ) 1 − x2 sx =s 1 − x2 sx 1 − x2 1 1 . + n1 n 2 sx 1 − x2 1 1 . n2≥30 z= (x − x )− (μ 1 2 1 − μ2 ) 2 s2 sx 1 − x2 . alegerea Colectarea datelor la nivel de eşantion. H1: μ1-μ2<0 Determinarea nivelului de semnificaţie α Determinarea nivelului de semnificaţie α Colectarea datelor la nivel de eşantion. 5. 4. 7. Un eşantion de volum n=10 a oferit următorii timpi exprimaţi în minute: 2. n2<30 ( σ 1 = σ 2 = σ ) t= (x − x )− (μ 1 2 1 − μ2 ) n1<30. 3. Să se verifice ipoteza că timpul mediu de aşteptare este de 3 minute cu α=0. n2≥30 n1≥30.Exemplul 16 Se studiază timpul de aşteptare între două autobuze. alegerea şi şi calcularea statisticii calcularea statisticii n1≥30.05. 3. 5.

n2<30 ⇒ tα . Din cel de al doilea compartiment se extrage un eşantion de volum n2=49 care a furnizat o vârstă medie x 2 =35 ani cu o abatere medie s2=10 ani. alegerea şi şi calcularea statisticii calcularea statisticii n≥30 n≥30 z= n<30 t= Luarea deciziei d − μd s . n2<30 ⇒ ± tα 2 2 . n2≥30 ⇒ zα sau . Luarea deciziei Dacă valorile calculate ale statisticilor se află între valorile critice atunci ipoteza nulă se acceptă în caz contrar aceasta se respinge Exemplul 17 Se iniţiază un studiu în scopul de a estima diferenţa de vârstă dintre angajaţii a două compartimente ale unei companii.05 verificaţi dacă: 1. alegerea Colectarea datelor la nivel de eşantion. sd = d sd n d − μd s . 2.( n 1 + n2 − 2 ) gl sau − tα .n1≥30.zα n<30 ⇒ tα . este mai mare media de vârstă din primul compartiment. acceptă. În primul compartiment s-a extras un eşantion de volum n1=36 care a furnizat o vârstă medie x1 =40 ani cu o abatere medie de s1=9 ani. acceptă. H1: μd ≠0 Ho: μd=0. Cu un nivel de semnificaţie α=0. n2≥30 ⇒ ± z α n1<30. H1: μd>0 Ho: μd=0. sd = d sd n t= Determinarea valorilor critice n≥30 ⇒ ± z α 2 n<30 ⇒ ± tα 2 . H1: μd<0 Determinarea nivelului de semnificaţie α Determinarea nivelului de semnificaţie α Colectarea datelor la nivel de eşantion. vârstele medii în cele două compartimente diferă semnificativ.( n1 + n2 − 2 ) gl Luarea deciziei Dacă valorile calculate Dacă valorile calculate Dacă valorile calculate ale statisticilor se află sunt mai mici decât sunt mai mari decât cele între valorile critice atunci ipoteza nulă se cele critice ipoteza nulă critice ipoteza nulă se acceptă în caz contrar aceasta se respinge se acceptă.( n1 + n2 − 2 ) gl n1≥30. Eşantioane perechi Test bilateral Test unilateral Formularea ipotezelor Formularea ipotezelor Ho: μd=0. sd = d sd n d − μd s .( n −1 ) gl Determinarea valorilor critice n≥30 ⇒ zα sau . sd = d sd n n<30 z= d − μd s . 23 .( n −1 ) gl Luarea deciziei Dacă valorile calculate Dacă valorile calculate sunt mai mici decât cele sunt mai mari decât cele critice ipoteza nulă se critice ipoteza nulă se acceptă.( n −1 ) gl sau − tα .zα n1<30.

29. 28. Cu α=0. Valorile înregistrate în cele cinci magazine au fost: 25. 2. 20. 24 . 25. După lansarea campaniei situaţia vânzărilor în cele cinci magazine a fost: 28.05 verificaţi dacă: 1. 25. este mai mare media primei populaţii.Exemplul 18 Se consideră următoarele două eşantioane extrase din două populaţii ce au aceeaşi dispersie: Eşantion 1 n1=15 x1 =8 s1=2 Eşantion 2 n2=10 x2 =6 s2=1 Cu un nivel de semnificaţie α=0. Exemplul 19 O companie deţine cinci magazine de desfacere a produselor proprii. Compania a lansat pe piaţă un nou produs şi a urmărit vânzările în prima săptămână de după lansare. Companie recurge la o campanie promoţională. 23. 30. mediile celor două populaţii diferă semnificativ.05 verificaţi dacă a avut efect asupra vânzărilor campania promoţională. 32.

Calcularea statisticii test F..i = 1.1. Calculul elementelor necesare determinării valorii statisticii test 3. 3. si2 . 2. H1: nu toate mediile sunt egale. Calcul varianţei între grupuri . 25 . Formularea ipotezelor. Calculul mediei şi dispersiei fiecărui eşantion 3.. x.3..k .Analiza varianţei (ANOVA) Etapele unei analize de tip ANOVA 1. 3. Stabilirea nivelului de semnificaţie α. Ho: μ1=μ2=.2. Calculul varianţei în grupuri 2 sw = ∑ (ni − 1)si2 (n1 + .4..=μk. k 2 sb = i =1 k ∑ ni xi − x k −1 ( ) 2 3. Calculul valorii medii totale xi . + nk ) − k i =1 ∑ (ni − 1)si2 = i =1 k n−k Tabelul ANOVA Tabelul ANOVA este un tabel în care se trec toate elementele calculate la punctul acesta având următoarea structură: Sursa Între grupuri În grupuri Total Suma pătratelor SSB SSW SST=SSB+SSW Grade de libertate k–1 n–k n–1 Media sumelor pătratelor 2 s w = SSW (n − k ) 2 s b = SSB (k − 1) 4.

5 6.2 5.6 Zona 3 5 4.SSB F= SSW (k − 1) = sb2 (n − k ) 2 sw . n-k)gl. (k-1. (k-1. datele obţinute fiind următoarele: Zona 1 7. Pentru aceasta din fiecare zonă este extras câte un eşantion de volum n=5.8 26 .3 5.4 7 Venitul Zona 2 6 7. 6. Exemplul 20 Se iniţiază un studiu pentru a compara venitul mediu al populaţiilor din două zone diferite ale unei ţări.3 6 4. Luarea deciziei: dacă F> Fα.4 7 8. 5. Determinarea valorilor critice Fα. n-k)gl ipoteza nulă se respinge în caz contrar aceasta acceptânduse.2 8 6.

perioada de şedere. scopul şederii precum şi sexul clienţilor. Într-unul din hotelurile aflate în zona montană se iniţiază un studiu cu scopul obţinerii unor date referitoare la vârsta clienţilor.Fişă de lucru O companie hotelieră deţine hoteluri atât în zona montană cât şi pe litoral. Pentru aceasta este selectat un eşantion de 50 de clienţi datele obţinute fiind următoarele: Vârsta 30 32 34 33 45 42 46 36 39 45 33 40 42 42 50 50 50 46 48 38 38 39 34 45 46 48 36 36 35 30 45 41 42 42 50 46 35 30 30 36 Perioada de şedere (zile) 1 1 1 2 4 4 1 3 1 1 2 3 4 4 5 5 5 5 5 3 3 3 2 4 5 5 3 3 2 1 4 4 4 4 5 5 1 1 1 3 Scopul Tranzit Tranzit Afaceri Afaceri Odihnă Odihnă Afaceri Afaceri Tranzit Tranzit Afaceri Odihnă Afaceri Odihnă Odihnă Odihnă Afaceri Afaceri Afaceri Tranzit Afaceri Afaceri Afaceri Odihnă Odihnă Odihnă Tranzit Tranzit Afaceri Tranzit Odihnă Odihnă Afaceri Afaceri Afaceri Odihnă Tranzit Tranzit Afaceri Afaceri Sex Femeie Femeie Bărbat Bărbat Bărbat Femeie Bărbat Femeie Bărbat Femeie Femeie Bărbat Bărbat Bărbat Femeie Femeie Bărbat Bărbat Bărbat Femeie Femeie Femeie Femeie Bărbat Bărbat Bărbat Bărbat Bărbat Bărbat Bărbat Bărbat Bărbat Bărbat Bărbat Femeie Femeie Femeie Bărbat Femeie Bărbat 27 .

6. 10. Distribuţia eşantionului în raport cu scopul şederii şi sexul este: Scop Sex Bărbaţi Femei Total Afaceri Odihnă Tranzit Total 28 . 9.38 49 46 50 50 36 37 37 46 50 1. 3. 3 5 5 5 5 3 3 3 5 5 Clasa de vârstă 30 – 35 35 – 40 40 – 45 45 – 50 Frecvenţa Odihnă Odihnă Odihnă Afaceri Afaceri Tranzit Tranzit Odihnă Odihnă Afaceri Femeie Femeie Bărbat Femeie Femeie Bărbat Femeie Bărbat Bărbat Femeie Repartiţia clienţilor după vârstă este (4 clase de vârstă): 2. 5. Perioada medie de şedere este________________ Abaterea de la perioada medie este __________ Perioada mediană este ____________ Este perioada medie mai mică de 4 zile? Distribuţia eşantionului în raport cu scopul şederii şi vârsta este: 30 – 35 35 – 40 40 – 45 45 – 50 Total Vârsta Scopul Afaceri Odihnă Tranzit Total Perioada Scopul Afaceri Odihnă Tranzit Total 12. 11. 4. Distribuţia eşantionului în raport cu scopul şederii şi perioada de şedere este: 1 2 3 4 5 Total 13. Vârsta medie este de _______________ Abaterea de la vârsta medie este de _________ Vârsta mediană este ___________ Este vârsta medie acelor cazaţi la hotel mai mare de 39 de ani? Repartiţia eşantionului după perioada de şedere este: Număr zile 1 2 3 4 5 Frecvenţa 7. 8.

A avut campania de promovare efectul dorit? După campanie 6 6 6 11 8 8 5 6 7 9 9 10 6 10 12 10 11 12 10 8 29 . Diferă semnificativ proporţia turiştilor ce petrec 5 zile la mare de proporţia turiştilor ce petrec aceeaşi perioadă la munte ? După analizarea rezultatelor studiului compania concepe un pachet turistic de 5 zile pus în vânzare prin propria agenţie şi iniţiază în acelaşi timp o campanie de promovare.Acelaşi studiu efectuat într-un hotel de pe litoral pe un eşantion de 40 de clienţi a condus la următoarele date în ceea ce priveşte vârsta şi perioada de şedere: Vârsta 32 36 45 44 42 39 48 48 50 35 Perioada 3 3 5 5 4 2 5 5 3 3 Vârsta 35 36 38 48 47 42 46 31 31 39 Perioada 4 4 5 5 3 3 5 5 5 3 Vârsta 46 49 49 40 40 30 30 35 35 38 Perioada 4 4 4 5 3 3 4 5 5 3 Vârsta 37 49 46 46 45 47 50 35 32 39 Perioada 3 3 3 5 5 3 4 2 5 4 14. Diferă semnificativ perioadele medii de şedere ale clienţilor celor două hoteluri? 16. Diferă semnificativ vârstele medii ale clienţilor celor două hoteluri? 15. Datele obţinute în ceea ce priveşte vânzările înainte şi după campania de promovare au fost următoarele: Înainte de campanie 5 5 6 9 9 10 2 6 8 8 8 5 6 9 9 10 11 12 10 6 17.

681 2.697 1.833 1.479 2.808 2.345 1.169 3.050 6.074 2.316 1.310 1.060 2.048 2.896 2.372 1.528 2.706 4.779 2.583 2.306 2.721 1.086 2.341 1.657 9.729 1.485 2.782 1.714 1.314 1.363 1.617 30 .508 2.390 2.776 2.602 2.337 1.321 1.750 2.821 6.052 2.045 2.132 2.457 2.707 3.328 1.476 1.965 4.925 5.160 2.330 1.771 2.289 t0.492 2.518 2.042 2.541 3.725 1.796 1.650 2.699 1.708 1.311 1.313 1.056 2.032 3.145 2.365 2.841 4.861 2.055 3.318 1.296 1.467 2.005 63.740 1.064 2.567 2.358 t0.747 3.886 1.440 1.660 2.717 1.423 2.182 2.228 2.080 2.703 1.920 2.093 2.314 2.078 1.397 1.365 3.860 1.947 2.539 2.753 1.845 2.734 1.787 2.333 1.353 2.638 1.898 2.761 1.552 2.671 1.812 1.701 1.624 2.462 2.711 1.000 1.025 12.015 1.131 2.756 2.120 2.658 t0.201 2.021 2.533 1.303 3.704 2.Distribuţia Student t Grade de libertate 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 40 60 120 t0.356 1.771 1.323 1.571 2.383 1.764 2.303 1.980 t0.706 1.473 2.977 2.010 31.447 2.797 2.250 3.746 1.763 2.831 2.143 2.604 4.350 1.684 1.262 2.895 1.499 3.943 1.355 3.921 2.998 2.319 1.718 2.821 2.878 2.110 2.325 1.069 2.415 1.500 2.100 3.179 2.106 3.819 2.315 1.101 2.012 2.

6 12.250 1.7 23.8 16.0 44.81 9.3 23.0 52.0 23.5 24.Distribuţia χ2 α gl 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 40 50 0.8 21.6 47.6 25.9 18.3 32.2 37.4 20.61 6.84 9.2 36.2 31.38 9.1 30.7 31 .8 13.9 43.5 20.7 33.5 56.99 7.88 10.6 56.1 27.3 0.2 27.0 33.7 66.77 4.1 55.8 16.3 59.71 4.3 30.7 37.6 33.6 41.6 28.2 24.9 23.2 34.3 19.5 36.9 40.0 33.2 35.8 26.5 16.8 45.4 23.3 21.6 43.5 45.1 27.5 22.8 18.7 39.5 32.84 5.3 22.4 42.6 50.1 18.8 48.3 13.8 38.3 18.5 13.7 18.1 28.2 0.8 24.6 43.0 17.1 16.9 34.9 48.4 31.7 73.0 41.39 6.3 42.0 17.8 44.6 54.4 16.3 26.050 3.8 36.8 32.0 27.4 32.5 21.100 2.2 0.3 45.2 45.5 20.3 51.3 49.32 2.6 12.6 46.3 15.35 11.2 28.3 35.8 14.8 14.63 9.0 17.5 28.1 31.3 35.24 10.8 31.5 19.8 30.025 5.1 12.8 79.005 7.3 71.2 52.3 40.0 20.7 21.7 76.6 38.8 63.9 30.8 34.6 36.7 25.3 32.5 24.2 44.4 34.9 39.04 10.6 51.1 22.9 40.6 30.3 18.6 22.9 26.1 37.7 16.4 14.5 19.5 20.4 12.8 45.4 29.5 0.7 47.7 26.1 40.4 86.11 5.7 29.8 28.49 11.8 67.6 31.5 32.9 34.4 40.3 24.1 41.6 14.001 10.2 11.5 0.2 29.0 59.0 27.25 7.2 26.7 34.9 16.21 11.78 9.7 26.7 38.4 0.3 49.3 29.6 32.9 63.1 12.1 15.5 21.3 27.3 46.7 14.63 7.02 7.1 39.3 53.3 41.9 29.2 38.3 49.0 48.0 13.0 26.010 6.7 23.9 35.7 37.2 19.3 43.5 36.7 51.8 55.8 42.0 22.9 58.6 40.4 37.

54 4.78 2.42 2.98 1.34 8 239.35 2.99 5.42 2.53 3.35 4.47 2.05 2.71 2.95 1.26 4.01 6.85 2.51 2.87 2.95 4.23 3.47 3.42 2.12 2.42 2.66 2.68 2.44 3.71 6.44 2.67 3.74 2.24 2.54 2.Distribuţia Fischer pentru un nivel de semnificaţie de 5% (α=0.13 2.51 10.93 1.84 1.0 19.71 3.32 5.64 5.24 2.53 2.56 2.43 2.30 2.80 2.42 3.68 3.03 2.07 3.11 3.88 3.04 4.94 6.20 3.38 2.87 3.20 2.38 4.61 5 230.03 3.80 3.4 18.48 2.15 2.37 3.93 2.71 1.79 2.36 3.0 19.76 2.84 3.27 2.92 1.96 2.57 2.46 4.74 5.0 19.45 8.21 4.07 2.77 2.25 9.84 6.45 2.17 4.12 4.18 2.14 4.96 1.76 1.10 3.11 3.19 4.07 2.28 3.49 4.74 2.59 5.74 4.50 8.66 2.00 9.36 3.40 3.49 2.63 2.84 4 224.55 2.5) k-1 n-k 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 40 Grade de libertate ale numărătorului 1 161.53 2.59 5.77 4.24 4.39 3.41 3.75 4.33 3.15 3.60 2.30 9.32 2.33 8.40 2.50 2.74 3.46 2.70 2.10 3.93 2.38 3.15 2.13 3.08 2 199.71 2.34 3.34 2.95 2.53 2.01 2.41 4.64 1.05 3.91 1.96 2.81 1.58 3.26 5.89 1.62 1.0 19.22 4.44 3.78 1.23 2.05 4.12 2.90 2.32 3.11 2.39 5.55 6.97 3.24 3.54 2.62 2.69 3.28 4.30 2.28 3.59 3.69 2.3 19.45 6 234.79 2.73 2.10 2.16 4.16 3.06 3.18 12 244.12 3.19 2.90 1.96 2.02 2.68 3.73 1.09 2.61 5.94 5.53 5.01 2.59 2.29 3.90 2.88 1.57 2.09 3.85 2.28 6.71 2.69 1.00 2.64 2.65 1.79 5.85 2.95 2.49 3.01 1.18 4.99 2.7 19.51 Grade de libertate ale numitorului 32 .35 3.18 3.60 2.92 2.40 2.30 4.36 2.13 7.08 2.28 2.5 19.60 2.29 2.82 4.26 4.61 2.00 3.79 ∞ 254.20 4.33 3.63 3.37 8.34 2.16 2.98 3.96 1.76 4.59 2.13 2.07 3.69 2.53 4.12 6.96 4.70 2.28 2.16 9.74 2.70 2.57 3.73 3.34 3.92 2.52 3.41 3.55 2.68 4.00 1.21 2.64 2.37 3.41 4.90 2.49 3.81 2.77 2.22 3.2 19.91 4.63 4.45 4.00 24 249.20 3.63 3.26 3.48 3.55 3.38 2.84 3.82 2.29 2.41 8.60 4.31 2.32 4.35 4.98 2.93 2.84 2.91 2.28 3 215.25 2.67 4.59 3.84 4.51 2.07 2.67 1.48 3.74 2.48 2.6 19.

Sign up to vote on this title
UsefulNot useful