Académique Documents
Professionnel Documents
Culture Documents
GHGVCBFTR
GHGVCBFTR
lois usuelles
1.1
Loi Binomiale
B(n, p). q = 1 p.
p(X = k) = Cnk pk q nk
Esperance E(X) = np.
Variance : V ar(X) = npq.
Ecart
type : = npq.
1.2
Loi de Poisson
Ecart type : = .
Utilisation pratique :
On consid`ere une loi binomiale B(n, p) avec n grand et p petit, i.e. on cherche un
evenement rare. La loi de Poisson P(np) (i.e. = np) est une bonne approximation dun
tel tirage d`es que n 30 p 0, 1 et np 10.
= np represente le nombre devenements attendus pour la periode consideree.
1.3
Loi normale
Ecart
type : 1
Loi normale N (, )
Esperance :
Variance : 2
Ecart
type :
2
2.1
Estimation
Estimation ponctuelle de la moyenne
Ecart
type
Variance : V ar(X) = 2 .
n
X
= 1
Xi : variable aleatoire moyenne aleatoire de lechantillon de taille n :
X
n i=1
=
Esperance : E(X)
Ecart
type : / n
= 2 /n
Variance :V ar(X
2.2
n
n
X
1X
2= 1
Ve =
(Xi X)
(Xi )2
n i=1
n i=1
lechantillon
:
p
e = Ve .
n1 2
Esperance : E(Ve ) =
n
e
Ecart
type : =
n
n1
2.3
!
2 : variable aleatoire variance empirique de
X
3.1
Estimation dune fr
equence par un intervalle de confiance
f (1 f )/n 1
3.2
s
n
(x + . . . + x2n )
Ecart
type observe : e =
n 1
M
ethode :
se
s
On estime par x et par
n
n1
On lit dans la table 2 la valeur a tel que p(|U | a) = .
Lintervalle de confiance est alors :
se
se
I =]
x a
, x a
[.
n1
n1
3.3
s
n
1
(x1 + . . . + xn )
nr
1 2
(x + . . . + x2n )
Ecart
type observe : e =
n 1
Moyenne observee : x =
M
ethode :
se
s
On estime par x et par
n
n1
On lit dans la table 3 (Table de Student, ligne n 1 degres de liberte) la valeur a tel
que p(|U | a) = .
Lintervalle de confiance est alors :
se
se
, x a
[.
I =]
x a
n1
n1
4
4.1
Tests de conformit
e dune fr
equence
Test bilat
eral
4.2
Test unilat
eral
p(1 p)/n.
M
ethode :
On cherche a dans les tables de la loi normale N (0, 1) tel que p(F > a) =
p
On calcule b = p + a p(1 p)/n
Si f b on accepte lhypoth`ese H0 .
Sinon on rejette lhypoth`ese H0 .
Remarque : la valeur a peut etre lue de 2 mani`eres :
Table 1 en lecture inverse.
Table 2 en utilisant la propriete p(X > a) = p(|X| > a) = 2.
1er exemple, bis. On lance 100 fois une pi`ece de monnaie. On observe 45 piles et 55
faces. On soupconne que la pi`ece est truquee, et donc que la frequence reelle p dobtenir
pile est plus faible que p0 = 0, 5.
Hypoth`ese H0 la pi`ece nest pas truquee : p = 0, 5.
Hypoth`ese H1 : la pi`ece est truquee : p <= 0, 5.
Si H0 est vraie, la probabilite dobtenir le cote pile est p = 1/2.
p
La proportion de pile est approchee par la loi normale N (0, 5; 0, 52 /100) = N (0, 5; 0, 05).
On a p(X a) = 0, 05 pour a = 1, 64.
Ceci donne une borne b = p + a = 0, 5 1, 64 0, 05 = 0, 418.
Comme la frequence observee f est de 45%, on ne peut pas rejeter H0 . On ne peut
pas rejeter lhypoth`ese que la pi`ece nest pas truquee au risque de 0, 05.
Comme 0, 45 est dans lintervalle, la pi`ece nest pas truquee au risque de 5%.
Tests de conformit
e dune moyenne
5.1
Test bilat
eral
I =] a/ n; + a/ n[, o`
u a est obtenu dans la table 2 par p(|X] a) = .
Si f I on accepte lhypoth`ese : la difference est due aux variations dechantillonnage.
Sinon on rejette lhypoth`ese.
Estimation de / n : e / n 1 = 9, 5/ 59 = 1, 237.
Au risque de 1%, p(|X| a) = 0, 01 pour a = 2, 576.
Intervallede confiance
:
I =] a/ n; + a/ n[=]146 3, 18; 146 + 3, 18[.
La valeur x = 159 obtenue nest pas dans lintervalle, la population nest donc probablement pas equilibree.
: la variance attendue pour la population totale est = 18, on a alors
Remarque
/ n = 18/ 60 = 2, 32,ce qui, au risque de 1% donne
I =] a/ n; + a/ n[=]146 5, 76; 146 + 5, 76[. On rejette toujours lhypoth`ese H0 .
L
Cas des petits
echantillons (n < 30)
On suppose que X suit une loi normale (est une variable Gaussienne).
X
suit sensiblement la loi de Student `a n 1 degres de
Sous lhypoth`ese H0
/ n
liberte.
M
ethode : Identique au cas precedent, sauf lecture de a dans la table 3
5.2
Test unilat
eral sur les grands
echantillons
M
ethode : Identique au cas bilateral sur les grands echantillons, excepte que a est lu
dans la table 1 :
On cherche a dans les tables de la loi normale N (0, 1) tel que p(F > a) =
Exemple : On reprend lexercice precedent. On suppose que la loi theorique est = 146
et = 18.
Tests dhomog
en
eit
e
6.1
Pr
esentation du probl`
eme
6.2
Y21 + Y22 .
Comparaison de deux fr
equences
s
p(1 p) p(1 p)
+
.
n1
n2
Si lechantillon est suffisamment grand, et les frequences pas trop proches de 0 ou 1,
Z suit sensiblement la loi normale N (0, Z ).
n1 f1 + n2 f2
.
Estimation de p : on reunit les 2 echantillons, on trouve p =
n1 + n2
p
Si Y = F est une frequence, F = p(1 p)/n et Z =
Test bilat
eral
M
ethode :
n1 f1 + n2 f2
.
n1 + n2
r
1
1
p(1 p)( + ).
On calcule s = (
n1 n2
On determine a dans la table 1 tel que p(|X] a) = .
On determine lintervalle de confiance de Z au risque : I =] as; as[,
Si f1 f2 I on accepte lhypoth`ese : la difference est due aux variations dechantillonnage.
Sinon on rejette lhypoth`ese.
On calcule p =
6.3
12 22
+ .
n1 n2
r
ni
On estime 1 et 2 par la methode habituelle si =
e,i .
ni 1
Test bilat
eral
M
ethode :
On estime 1 er 2 .
s
12 22
On calcule sZ =
+ .
n1 n2
On determine a dans la table 1 tel que p(|X] a) = .
On determine lintervalle de confiance de Z au risque : I =] as; as[,
Si x1 x2 I on accepte lhypoth`ese : la difference est due aux variations dechantillonnage.
Sinon on rejette lhypoth`ese.
7
Test de conformit
e par la loi du 2 : ajustement `
a
une loi th
eorique
Situation : on dispose dun syst`eme complet devenements E1 , . . .Ek et dune distribution de probabilite theorique de ces evenements : pi = p(Ei ) avec p1 + . . . + pk = 1.
On dispose dun echantillon de taille n sur lequel on calcule les effectifs observes Oi et
les frequences observees fi = Oi /n de chaque evenement.
On veut tester si lechantillon est conforme `a la distribution theorique, aux ecarts
dechantillonnage pr`es.
On calcule les effectifs theoriques de chaque evenements sur un echantillon de taille
n : Ci = n pi .
Hypoth`ese H0 : la distribution de lechantillon est conforme `a la distribution theorique.
(O1 C1 ))2
Sous lhypoth`ese H0 , la variable aleatoire Y 2 qui prends les valeurs 2c =
+
C1
(Ok Ck ))2
... +
suit la loi du 2 avec n 1 degre de liberte.
Ck
M
ethode :
On choisit un coefficient de risque .
On calcule les effectifs theoriques Ci = n pi .
(Ok Ck ))2
(O1 C1 ))2
On calcule 2c =
+ ... +
.
C1
Ck
On lit dans la table 4 la valeur 2 telle que p(Y 2 2 ) = .
Si 2c 2 , on ecarte lhypoth`ese H0 avec une probabilite de se tromper de .
Sinon on ne peut pas rejeter cette hypoth`ese.
Remarque : si un effectif est inferieur `a 5, il faut faire un regroupement de classe.
Exemple : On a effectue le croisement de balsamines blanches et de balsamines pourpres.
En premi`ere generation, les fleurs sont toutes pourpres. On obtient en deuxi`eme generation
quatre categories avec les effectifs suivants :
couleurs
effectifs
pourpre
1790
rose
547
blanc lavande
548
blanc
213
9 3 3 1
; ; ; ).
16 16 16 16
Peut-on accepter cette hypoth`ese avec un risque de premi`ere esp`ece de 5% ?
Effectif total : n = 1790 + 547 + 548 + 213 = 3098.
Lhypoth`ese de repartition mendelienne donne (
couleurs
effectifs observes
effectifs theoriques
pourpre
1790
1742, 6
rose
547
580, 9
blanc lavande
548
580, 9
blanc
213
193, 6
(1790 1742, 6)2 (547 580, 9)2 (548 580, 9)2 (213 193, 6)2
+
+
+
= 7, 07.
1742, 6
580, 9
580, 9
193, 6
Nombre de degres de liberte : n 1m4 1 = 3
Si = 0, 05, on lit dans la table 20,05 = 7, 81.
On ne peut pas rejeter lhypoth`ese dune repartition mendelienne.
2c =