Statistică · Seminarul 3 (seminar și laborator) · Fișă de lucru (fără rezolvări)
Universitatea din București · Facultatea de Matematică și Informatică · 2026–2027
De rezolvat la seminar, în această ordine:
Dacă timpul permite:
Pentru acasă:
Scheletele de cod R: în fișa de lucru.
sample(x, size, replace = FALSE, prob = NULL) — extrage size elemente din vectorul x: implicit fără revenire (o selecție simplă fără revenire; fără size, o permutare aleatoare), iar cu replace = TRUE cu revenire; prob dă probabilitățile elementelor lui x. sample(N, n) extrage din \(1,\dots,N\).replicate(B, expr) — evaluează de B ori expresia expr și adună rezultatele într-un vector (sau într-o matrice, cu câte o coloană pentru fiecare repetare).Dacă x este un singur număr \(m\ge1\) (întreg sau nu), sample(x, ...) extrage din \(1,\dots,\lfloor m\rfloor\), nu din vectorul de lungime \(1\). De exemplu, sample(u[u > 100], 1) dă un rezultat greșit exact atunci când un singur element al lui u depășește \(100\). Pentru a extrage în siguranță dintr-un vector oarecare, se extrag indici: x[sample.int(length(x), size)].
matrix(rpois(n * B, lambda), ncol = n) — B eșantioane de volum n, câte unul pe fiecare linie; statistica se calculează apoi pe linii cu rowSums, rowMeans sau apply(X, 1, max).combn(x, n) — submulțimile de n elemente ale lui x, pe coloane (eșantioanele fără revenire); expand.grid(x, x, x) — tripletele ordonate (cu revenire); choose(N, n) \(=\binom Nn\).tabulate(v, k) — numără aparițiile valorilor \(1,\dots,k\) în v; table(v) — tabelul de frecvențe.dhyper(y, m, n, k), phyper(q, m, n, k) — repartiția hipergeometrică: m indivizi marcați, n nemarcați, k volumul eșantionului; lower.tail = FALSE dă \(\PP(Y>q)\).rgeom(n, p), dgeom(k, p) — repartiția geometrică pe \(\N\) (numărul de eșecuri dinaintea primului succes); pentru \(\Geom(p)\) pe \(\N^*\) adăugăm \(1\).var(x) — varianța cu numitorul \(n-1\) (adică \(S_n^2\)); varianța unei populații finite, cu numitorul \(N\), este mean((u - mean(u))^2).hist(x, freq = FALSE), curve(f(x), add = TRUE) — histograma normalizată și densitatea.La seminar Studiați identificabilitatea următoarelor modele; în cazurile neidentificabile, propuneți o restricție sau o reparametrizare care produce un model identificabil.
Se observă \(Y=|X|\), unde \(X\sim\Norm(\mu,1)\), \(\mu\in\R\).
Se observă \(X\sim\Unif(\theta,2\theta)\), \(\theta>0\).
Se observă doar partea întreagă \(Y=\lfloor X\rfloor\) a unui timp de funcționare \(X\sim\Exp(\lambda)\), \(\lambda>0\).
Se observă \(Y=X_1+X_2\), cu \(X_1\sim\Pois(\lambda_1)\) și \(X_2\sim\Pois(\lambda_2)\) independente, \(\theta=(\lambda_1,\lambda_2)\in(0,\infty)^2\).
În R: verificați numeric concluziile de la (a) și (d), apoi simulați observații din modelele (a) și (c).
La seminar Un gen are două alele, \(a\) și \(A\); genotipurile \(aa\), \(aA\), \(AA\) se codifică \(1\), \(2\), \(3\). În modelul Hardy–Weinberg, cu \(\theta\in(0,1)\) frecvența alelei \(a\), proporțiile lor sunt \(q_1(\theta)=\theta^2\), \(q_2(\theta)=2\theta(1-\theta)\), \(q_3(\theta)=(1-\theta)^2\). Se determină genotipurile \(X_1,\dots,X_n\) a \(n\) indivizi aleși independent; \(N_j=\sum_i\Ind_{\{X_i=j\}}\).
(a) Scrieți modelul statistic al unei observații și al eșantionului (măsura dominantă, funcția de masă comună). Este modelul identificabil?
(b) Se poate stabili doar dacă un individ este heterozigot (\(aA\)) sau nu. Este modelul acestei observații identificabil? Dar dacă se poate stabili doar dacă este bolnav (genotipul \(aa\))?
(c) Fie \(T=2N_1+N_2\) numărul de alele \(a\) din eșantion. Arătați că \(T\) este o statistică și, cu f.g.m., că \(T\sim\Bin(2n,\theta)\). Deduceți media și varianța lui \(\hth=T/(2n)\).
(d) Pentru \(n=500\): \(N_1=52\), \(N_2=196\), \(N_3=252\). Calculați \(\hth\) și numerele așteptate sub \(\theta=\hth\). Pentru \(\theta=0.3\), exprimați \(\PP_\theta(|\hth-\theta|\le0.02)\) prin repartiția lui \(T\) și aproximați-o cu TLC.
(e) În R: probabilitatea exactă de la (d); simularea lui \(T\) cu sample (media și varianța).
Dacă timpul permite Fie \(X_1,\dots,X_n\) un eșantion din \(\Pois(\lambda)\), \(\lambda>0\) necunoscut, și \(S_n=X_1+\dots+X_n\).
Care dintre următoarele sunt statistici: \(T_1=S_n\), \(T_2=\Xbar-\lambda\), \(T_3=X_{(n)}\), \(T_4=(\Xbar,S_n^2)\), \(T_5=e^{-\Xbar}\), \(T_6=\sum_i(X_i-\lambda)^2/\lambda\)?
Determinați repartiția lui \(S_n\) cu ajutorul f.g.m. și calculați \(\PP(\Xbar\le1)\) pentru \(n=4\), \(\lambda=1.5\).
Arătați că, pentru \(s\in\N\), repartiția condiționată a lui \(X_1\) dată fiind \(\{S_n=s\}\) este \(\Bin(s,1/n)\). Ce observați?
Arătați că \(T=(1-1/n)^{S_n}\) are media \(e^{-\lambda}=\PP_\lambda(X_1=0)\), pe când \(T_5=e^{-\Xbar}\) nu are această proprietate. Calculați ambele medii pentru \(n=4\), \(\lambda=1.5\).
În R: aproximați prin simulare repartiția de eșantionare a lui \(S_4\) pentru \(\lambda=1.5\) și mediile de la (d); verificați, pentru \(\lambda\in\{0.5,\ 1.5,\ 2\}\), că repartiția condiționată de la (c) nu depinde de \(\lambda\).
Pentru acasă O companie asigură \(200\) de persoane din trei categorii de risc: \(G\) (sănătate bună, \(40\) de persoane), \(A\) (medie, \(100\)) și \(P\) (precară, \(60\)). Numărul anual de daune al unei persoane are repartiția Poisson cu media \(1\), \(2\), respectiv \(4\), independent de la o persoană la alta.
Repartițiile lui \(T_G\), \(T_A\), \(T_P\) și a totalului \(T=T_G+T_A+T_P\); \(\E[T]\), \(\Var(T)\); aproximați \(\PP(T>500)\) cu TLC.
Arătați că, pentru \(m\in\N\), repartiția condiționată a lui \(T_A\) dată fiind \(\{T_A+T_P=m\}\) este \(\Bin\big(m,\frac{5}{11}\big)\) și deduceți două formule pentru \(\PP(T_A>T_P)\).
Aproximați \(\PP(T_A>T_P)\) printr-o aproximare normală a diferenței \(D=T_A-T_P\).
Compania cunoaște doar totalul anual \(T\) și vrea să estimeze separat mediile celor trei categorii, \(\theta=(\lambda_G,\lambda_A,\lambda_P)\in(0,\infty)^3\). Este posibil?
În R: \(\PP(T>500)\) și \(\PP(T_A>T_P)\), exact (ambele formule de la (b)) și prin simulare.
Dacă timpul permite Un aparat se poate defecta din două cauze independente: uzura, care apare după un timp \(Z\sim\Exp(\lambda)\), și un șoc accidental, care apare după un timp \(Y\sim\Exp(\mu)\), cu \(\theta=(\lambda,\mu)\in(0,\infty)^2\). Se observă momentul defectării, \(X=\min(Z,Y)\).
(a) Determinați repartiția lui \(X\). Este identificabil modelul unui eșantion \(X_1,\dots,X_n\)? Ce funcție a lui \(\theta\) este identificabilă?
(b) Se înregistrează și cauza defectării, \(\delta=\Ind_{\{Z<Y\}}\). Calculați \(\PP_\theta(X>t,\ \delta=1)\) pentru \(t\ge0\), deduceți că \(X\) și \(\delta\) sunt independente și că modelul perechii \((X,\delta)\) este identificabil.
(c) Pentru \(n=50\) de aparate, suma timpilor este \(125\) (mii de ore), iar \(30\) de defectări s-au datorat uzurii. Estimați \(\lambda\) și \(\mu\) înlocuind în (b) media și probabilitatea cu analogii lor empirici.
(d) Cu valorile de la (c) considerate exacte, determinați repartiția mediei timpilor a \(50\) de aparate și probabilitatea ca ea să depășească \(3\); comparați cu aproximarea dată de TLC.
(e) În R: verificați (b) și (d) prin simulare; comparați histograma mediilor simulate (\(n=5\) și \(n=50\)) cu densitatea exactă și cu cea normală.
La seminar (a) Un sistem este format din \(n=5\) componente independente, legate în paralel; componenta \(i\) funcționează un număr \(X_i\sim\Geom(p)\) de cicluri, \(\PP(X_i=k)=p(1-p)^{k-1}\), \(k\ge1\), cu \(p=0.2\). Sistemul funcționează \(X_{(5)}=\max_iX_i\) cicluri. Determinați funcția de repartiție și funcția de masă a lui \(X_{(5)}\), calculați \(\PP(X_{(5)}\le10)\) și \(\E[X_{(5)}]\) și explicați de ce formula \(nF^{n-1}f\) nu dă funcția de masă a maximului.
Fie \(X_1,\dots,X_n\) un eșantion din repartiția Pareto cu \(\PP(X>x)=x^{-\alpha}\), \(x\ge1\), \(\alpha>0\). Arătați că \(X_{(1)}\) are tot o repartiție Pareto, calculați \(\PP(X_{(1)}>1.1)\) și \(\E[X_{(1)}]\) pentru \(\alpha=3\), \(n=4\), apoi \(\E[X_{(1)}]\) pentru \(\alpha=0.8\), \(n=4\). Comentați.
În R: verificați (a) prin simulare (atenție la rgeom). Pentru (b), simulați observații Pareto prin \(X=U^{-1/\alpha}\), cu \(U\sim\Unif(0,1)\), și comparați media minimului cu media unei singure observații.
Pentru acasă (a) Fie \(Y_1,\dots,Y_n\) un eșantion din populația cu densitatea \(f_\theta(y)=\theta y^{\theta-1}\), \(0<y<1\), \(\theta>0\), și \(U_n=n\,Y_{(1)}^{\theta}\). Calculați exact funcția de repartiție a lui \(U_n\) și determinați repartiția limită a lui \(U_n\) când \(n\to\infty\). Deduceți repartiția limită a lui \(T_n=n\min(X_1,\dots,X_n)\) pentru un eșantion din \(\Unif(0,\beta)\).
Fie \(X_1,\dots,X_n\) un eșantion din repartiția exponențială de medie \(\beta\) și \(Z_n=\big(X_{(1)}-\E[X_{(1)}]\big)/\sqrt{\Var(X_{(1)})}\) minimul standardizat. Calculați f.g.m. a lui \(Z_n\) și limita ei când \(n\to\infty\). Este \(Z_n\) asimptotic normal?
În R: calculați \(\PP(U_n>1)\) și distanța maximă dintre \(F_{U_n}\) și funcția de repartiție \(\Exp(1)\) pentru \(n\in\{2,5,20,100\}\); verificați prin simulare (a), pentru \(\theta=2.5\) și \(n=20\), și (b), pentru \(\beta=2\) și \(n=50\).
La seminar O populație are \(N=5\) indivizi, cu valorile \(3,5,6,9,12\). Se extrage, prin selecție simplă fără revenire, un eșantion de volum \(n=3\).
Calculați \(\mu\), \(\sigma^2\), \(\Cov(X_1,X_2)\), \(\Var(\bar X_3)\) și \(\E[S_3^2]\) cu formulele din curs și comparați cu selecția cu revenire.
Enumerați toate eșantioanele posibile și verificați \(\E[\bar X_3]=\mu\) și formula lui \(\Var(\bar X_3)\). Calculați \(\PP(|\bar X_3-\mu|\le1)\).
Arătați că, în general, \(\Xbar-\mu=-\frac{N-n}{n}\big(\bar X'_{N-n}-\mu\big)\), unde \(\bar X'_{N-n}\) este media indivizilor neextrași, și deduceți că \(\Var(\bar X_n)=\big(\frac{N-n}{n}\big)^2\Var(\bar X'_{N-n})\). Verificați compatibilitatea cu formula din curs.
În R: refaceți enumerarea de la (b) cu combn, enumerați și eșantioanele cu revenire (expand.grid) și verificați prin simulare că sample(u, 3) produce o selecție simplă fără revenire.
Dacă timpul permite Setul de date Cars93 (pachetul MASS): \(N=93\) de modele de automobile, cu prețul mediu Price (mii de dolari). Privim cele \(93\) de prețuri ca pe o populație finită \(u_1,\dots,u_N\).
(a) Pentru \(n=20\), scrieți valorile teoretice ale lui \(\E[\Xbar]\), \(\Var(\Xbar)\) și \(\E[S_n^2]\) la selecția simplă cu revenire și la cea fără revenire, apoi calculați-le în R.
(b) Simulați \(B=10^4\) eșantioane de volum \(20\) din fiecare plan și comparați mediile și varianțele lui \(\Xbar\) și mediile lui \(S_n^2\) cu valorile de la (a).
(c) Arătați că, fără revenire, „formula i.i.d.” \(S_n^2/n\) supraestimează în medie \(\Var(\Xbar)\) cu factorul \(\frac{N}{N-n}\), pe când \((1-f)S_n^2/n\), \(f=n/N\), este nedeplasat. Verificați pe eșantioanele simulate.
(d) Pentru \(n\in\{2,5,10,20,30,45,60,75,85,92\}\), estimați prin simulare raportul dintre varianța mediei fără revenire și \(\sigma^2/n\) și comparați-l grafic cu factorul de corecție \(\frac{N-n}{N-1}\).
Pentru acasă Dintre cei \(N\) alegători ai unui oraș, \(N_A\ge2\) votează candidatul \(A\) și \(N_B=N-N_A\ge2\) candidatul \(B\); \(p=N_A/N\). Se intervievează \(n\le N\) alegători prin selecție simplă fără revenire (extrageri succesive, la fiecare pas uniform dintre cei încă neintervievați); \(X_k=1\) dacă al \(k\)-lea intervievat votează \(A\) și \(X_k=0\) altfel.
(a) Arătați că, pentru \(\bx=(x_1,\dots,x_n)\in\{0,1\}^n\) cu \(s=\sum_kx_k\), probabilitatea \(\PP(X_1=x_1,\dots,X_n=x_n)\) este egală cu \([N_A(N_A-1)\cdots(N_A-s+1)]\,[N_B\cdots(N_B-n+s+1)]\,\big/\,[N(N-1)\cdots(N-n+1)]\).
(b) Deduceți că repartiția vectorului \((X_{\tau(1)},\dots,X_{\tau(n)})\) nu depinde de permutarea \(\tau\) și, de aici, \(\E[X_k]=p\) și \(\E[\Xbar]=p\).
(c) Calculați \(\E[X_1X_2]\) și deduceți \(\Var(\Xbar)=\frac{p(1-p)}{n}\big(1-\frac{n-1}{N-1}\big)\).
(d) Arătați, cu inegalitatea lui Cebîșev, că \(\PP(|\Xbar-p|>\varepsilon)\to0\) când \(n\to\infty\), oricum ar fi \(N\ge n\).
(e) Pentru \(N=2\,000\), \(N_A=1\,040\) și \(n=400\), calculați abaterea standard a lui \(\Xbar\) și comparați-o cu cea de la selecția cu revenire. Ce repartiție are numărul \(Y=n\Xbar\) de votanți ai lui \(A\) din eșantion?
(f) În R: calculați exact \(\PP(\Xbar>0.5)\) în cele două planuri (phyper, pbinom), comparați marginea de la (d), pentru \(\varepsilon=0.05\), cu probabilitatea exactă și simulați sondajul cu sample.
Pentru acasă Numărul de daune declarate într-un an de un asigurat: cu probabilitatea \(\pi\) asiguratul face parte din grupul celor care nu declară niciodată daune (\(X=0\)), iar cu probabilitatea \(1-\pi\) numărul de daune are repartiția \(\Pois(\lambda)\); \(\theta=(\pi,\lambda)\in\Theta=[0,1)\times(0,\infty)\).
(a) Scrieți funcția de masă \(p_k(\theta)=\PP_\theta(X=k)\) (verificați că este o funcție de masă) și măsura dominantă.
(b) Calculați \(\E_\theta[X]\) și \(\Var_\theta(X)\) și comparați-le cu cele ale repartiției Poisson.
(c) Arătați că modelul este identificabil, exprimând \(\theta\) în funcție de \(p_1(\theta)\) și \(p_2(\theta)\). De ce s-a exclus \(\pi=1\)?
(d) Dintre \(n=200\) de asigurați, \(120\) nu au avut daune, \(40\) au avut o daună, \(25\) două, \(10\) trei și \(5\) patru daune. Estimați \(\theta\) înlocuind, în formulele de la (c), probabilitățile cu frecvențele relative.
(e) În R: comparați frecvențele observate cu cele prezise de modelul ajustat și de un model Poisson simplu. Scrieți funcția rzip(n, pi, lambda), care simulează din model, și studiați, pentru \(\pi=0.4\), \(\lambda=1.25\), \(n\in\{50,200,1\,000,5\,000\}\), media și abaterea standard ale estimatorilor de la (d) (câte \(1\,000\) de eșantioane).
Repartiția exactă a unei statistici permite să vedem cum se instalează comportamentul asimptotic prezis de legea numerelor mari și de teorema limită centrală.
Pentru acasă Fie \(X_1,X_2,\dots\) i.i.d. \(\Pois(\lambda)\) și \(S_n=X_1+\dots+X_n\).
Exprimați \(\PP(S_n<n)\) ca o sumă finită.
Determinați \(\lim_{n\to\infty}\PP(S_n<n)\) în funcție de \(\lambda>0\).
În R: verificați numeric pentru \(\lambda\in\{0.9,\ 1,\ 1.1\}\) și \(n\in\{10,100,1\,000,10\,000\}\). Pentru \(\lambda=1\), estimați viteza cu care \(\PP(S_n<n)\) se apropie de limită.
Pentru acasă Tancurile produse de o fabrică sunt numerotate \(1,2,\dots,N\), cu \(N\) necunoscut. Numerele de serie ale celor \(n\) tancuri capturate sunt privite ca o selecție simplă fără revenire \(X_1,\dots,X_n\) din populația \(\{1,\dots,N\}\). Fie \(M=X_{(n)}\) cel mai mare număr observat.
Determinați repartiția lui \(M\).
Arătați că \(\E_N[M]=\frac{n(N+1)}{n+1}\) și \(\Var_N(M)=\frac{n(N+1)(N-n)}{(n+1)^2(n+2)}\).
Arătați că \(T_1=\frac{n+1}{n}M-1\) și \(T_2=2\Xbar-1\) au ambele media \(N\) și comparați varianțele lor.
Tancurile capturate au numerele \(19,\ 40,\ 42,\ 60\). Calculați \(T_1\) și \(T_2\).
În R: verificați (b) pentru \(N=12\), \(n=3\); pentru \(N=300\), \(n=10\), simulați \(20\,000\) de selecții și comparați \(M\), \(T_1\), \(T_2\) (medie, varianță, \(\E[(T-N)^2]\)); estimați \(\PP(T_2<M)\).
rhyper) și comparați estimatorii \(\lfloor Kn/X\rfloor\) și \(\frac{(K+1)(n+1)}{X+1}-1\).Enunțurile complete, cu răspunsuri și indicații: fișa de lucru, Secțiunea 7.
Pentru aprofundare: (Casella and Berger 2002, cap. 5), (Hogg et al. 2019, cap. 4); pentru sondaje: (Rice 2007, cap. 7).
Statistică · Seminarul 3 — Modele statistice, statistici, selecția din populații finite