Académique Documents
Professionnel Documents
Culture Documents
1
Mohamed BOUTAHAR
4 octobre 2005
1 Département de mathématiques case 901, Faculté des Sciences de Luminy. 163 Av.
de Luminy 13288 MARSEILLE Cedex 9, et GREQAM, 2 rue de la vieille charité 13002.
e-mail : boutahar@univmed.fr
Table des matières
1
TABLE DES MATIÈRES 2
servée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3 Comparaison des moyennes de deux échantillons indépendants. 32
2.4 Comparaison des moyennes de deux séries appariés. . . . . . . 33
6 EXERCICES 37
1 Distributions de Probabilité Discrètes . . . . . . . . . . . . . . . . . 37
2 Distributions de Probabilité Continues . . . . . . . . . . . . . . . . . 38
3 Estimation et tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
Chapitre 1
Distributions de probabilité
discrètes
1 Inégalités classiques
1.1 Inégalité de Markov
Theorem 1 Soit X une variable aléatoire à valeurs dans un espace dénombrable E
avec E ⊂ R, alors pour tout a > 0,
E(|f (X)|)
P (|f (X)| ≥ a) ≤ . (1.1)
a
Preuve : On a
X
E(|f (X)|) = |f (xk )| pk
xk ∈E
X X
= |f (xk )| pk + |f (xk )| pk ,
xk ∈A xk ∈A
4
Licence L2-MAT45 : Statistiques et Probabilités 2—M.Boutahar 5
2 Indépendance
2.1 Variables indépendantes
Soit X et Y deux variables aléatoires. On dit que X et Y sont indépendantes si
car f (X) et g(Y ) sont intégrables, donc E(|h(Z)|) < ∞, par conséquent h(Z) est
intégrable. Par un raisonnement analogue à ci-dessus, mais sans la valeur absolue
on obtient l’égalité (1.4). ¤
Preuve :
V (X1 + X2 ) = V (X1 ) + V (X2 ) + 2 cov(X1 , X2 ),
où cov(X1 , X2 ) = E((X1 − EX1 )(X2 − EX2 )) est la covariance de X1 et X2 ,
mais d’après (1.4) on a cov(X1 , X2 ) = E((X1 − EX1 )(X2 − EX2 )) = E((X1 −
EX1 ))E((X2 − EX2 )) = 0.¤
Remarque : Si deux variables aléatoires X et Y sont indépendantes alors elles
sont non covariées (cov(X, Y ) = 0).
3 Fonction génératrice
Soit X une variable discrète à valeurs dans N.
7
Licence L2-MAT45 : Statistiques et Probabilités 2—M.Boutahar 8
où
2 Fonction caractéristique
Soit X un couple aléatoire à valeurs dans R2 .
3 Indépendance
3.1 Distributions marginales
Soient X et Y deux variables aléatoires à valeurs dans R tels que (X, Y )0 admette
la densité fX,Y (x, y). Alors on définit les densités marginales de X et de Y par
Z Z
fX (x) = fX,Y (x, y)dy et fY (y) = fX,Y (x, y)dx
R R
Theorem 9 (admi) Soit X = (X1 , X2 )de densité fX (x), et tel que les Xi , 1 ≤ i ≤ 2,
soient des variables aléatoires indépendantes. On a alors
Preuve : Supposons que les Xk sont indépendantes, alors fX (x1 , x2 ) = fX1 (x1 )fX2 (x2 ),
donc
Z Z
i(u1 x1 +u2 x2 )
φX (u) = e fX (x)dx = eiu1 x1 eiu2 x2 fX1 (x1 )fX2 (x2 )dx1 dx2 ,
R2 R2
Inversement, supposons que (2.7) est satisfaite, Soit X̃j , 1 ≤ j ≤ 2, une suite de vari-
ables indépendantes telles que chaque X̃j ait la même loi que Xj , et X̃ = (X̃1 , X̃2 ).
D’après la partie directe du théorème :
et comme φX̃i (ui ) = φXi (ui ), on a φX̃ (u) = φX (u), donc, par le théorème 7 X et X̃
ont la même loi ; d’après le théorème 9 fX (x1 , x2 ) = fX̃ (x1 , x2 ) = fX1 (x1 )fX2 (x2 ).¤
4 Fonction de répartition
4.1 Cas scalaire
Soit X une variable aléatoire de densité f (x), la fonction
Rt de répartition de X
est définie par : F : R → [0, 1] et F (t) = P (X ≤ t) = −∞ f (x)dx.
Remarque : F est une fonction non décroissante telle que F (−∞) = 0, F (+∞) = 1,
et F 0 (t) = f (t).
On a aussi
∂ 2 F (t1 , t2 )
f (t1 , , t2 ) = .
∂t1 ∂t2
Licence L2-MAT45 : Statistiques et Probabilités 2—M.Boutahar 11
5 Distributions usuelles
5.1 Loi uniforme
On dit que X suit une loi uniforme sur [a, b], noté X Ã U[a, b], si elle admet la
densité ½ 1
1 b−a
si x ∈ [a, b]
fX (x) = 1[a,b] (x) = (2.8)
b−a 0 sinon.
eiub −eiua
On montre que E(X) = (a + b)/2, V (X) = (b − a)2 /12, φX (u) = iu(b−a)
.
Exemple Soit (X1 , X2 ) un couple aléatoire suivant une loi uniforme sur [0, 1]2
et le couple aléatoire Y = g(X) avec g(x1 , x2 ) = ( xx12 , x1 + x2 ).
g est une application bijective d’inverse g−1 (y1 , y2 ) = ( yy11+1y2
, y1y+1
2
), les autres
hypothèses du théorème ci-dessus sont satisfaites, de plus
Par conséquent ½ y2
(y1 +1)2
si y ∈ V = g(U)
fY (y) =
0 sinon.
1X 1X
n n
X= b2x =
Xk , σ (Xk − X)2
n k=1 n k=1
qui désignent respectivement la moyenne et la variance empirique de la suite (Xk , 1 ≤
k ≤ n) sont telles que
σ2 n σb2
X à N(m, ), 2 x à X 2 (n − 1),
n σ
nσb 2x
X et σ2
sont indépendantes.
Chapitre 3
Description d’une série statistique
1 Généralités, Définitions
1. La statistique : C’est l’étude des phénomènes préalablement exprimés sous
forme numérique.
2. L’unité statistique : C’est l’élément de l’ensemble que l’on veut étudier, exem-
ple : un étudiant est une unité statistique lorsque l’on étudie une classe.
3. Le caractère : C’est l’aspect de l’unité statistique que l’on retient dans l’analyse.
4. L’échantillon : C’est un sous-ensemble d’une population statistique.
5. La variable statistique : C’est l’expression numérique du caractère observé sur
les unités statistiques considérés.
i) La variable statistique x est dite discrète lorsqu’elle ne peut prendre que des
valeurs isolées :
x1 , x2 , ..., xk , où x1 < x2 < ... < xk .
Exemple : le nombre de chevaux fiscaux d’une voiture ; le nombre d’enfants dans
une famille,...
ii) La variable statistique x est dite continue lorsqu’elle peut prendre n’importe
quelle valeur d’un intervalle [a, b]. Exemple : la durée en minute d’une conversation
téléphonique. Dans ce cas l’intervalle des valeurs possibles est divisé en k classes
[a0 , a1 [, [a1 , a2 [, ..., [ak−1 , ak ], où a0 = a < a1 < ... < ak−1 < ak = b.
ah−1 et ah sont les frontières de la h-ième classe, xh = ah−12+ah est le centre de celle-ci.
6. La série statistique : C’est à la fois :
i) L’ensemble des valeurs {x1 , x2 , ..., xk } (resp. des classes de valeur
de la variable x.
ii) Le nombre d’observation associé à chaque valeurs xi (resp. à chaque classe).
15
Licence L2-MAT45 : Statistiques et Probabilités 2—M.Boutahar 16
250
80
200
150
nicumulees
60
ni
100
40
50
20
0 1 2 3 4 0 1 2 3 4
x x
Valeurs de x 0 1 2 3 4
Fréquence absolue ni 13 61 93 65 18
Fréquence relative fi 0,052 0,244 0,372 0,260 0,072
Fréquence absolue cumulée 13 74 167 232 250
Fréquence relative cumulée 0,052 0,296 0,668 0,928 1
350
300
250
200
nh
150
100
50
relative de la hième
Ph classe.
-L ’expression i=1 ni est appelée fréquence cumulée absolue des h premières classes.
P
-L ’expression ji=1 fi est appelée fréquence cumulée relative des h premières classes.
Exemple : On s’intéresse à la durée x de service d’un guichet de la poste qui
peut servir au plus un client à la fois. On a relevé la durée de service de 1000 clients
consécutifs. L’unité de temps est la seconde, les résultats sont résumés par le tableau
suivant (voir aussi graphique 3.2)
C la sse s d e [0 ,3 0 [ [3 0 ,6 0 [ [6 0 ,9 0 [ [9 0 ,1 2 0 [ [1 2 0 ,1 5 0 [ [1 5 0 ,1 8 0 [ [1 8 0 ,2 4 0 [
va leu rs d e x
a b so lu e nh
Fréq u e n ce 0 ,3 6 9 0 ,2 5 1 0 ,1 4 8 0 ,0 9 8 0 ,0 6 5 0 ,0 4 3 0 ,0 2 6
re la tive fh
Fréq u e n ce 369 620 768 866 931 974 1000
a b solu e cu m u lé e
Fréq u e n ce 0 ,3 6 9 0 ,6 2 0 0 ,7 6 8 0 ,8 6 6 0 ,9 3 1 0 ,9 7 4 1
rela tive cu m u lé e
4 Caractéristiques de dispersion
Deux séries de même nature peuvent présenter des caractéristiques de tendance
centrale voisines, mais différer quant à la dispersion de leurs valeurs par rapport à
la tendance centrale.
Licence L2-MAT45 : Statistiques et Probabilités 2—M.Boutahar 19
-Ecart-type : σ bx .
et
1X
k
V (x) = ni x2i − (x)2 .
n i=1
Exemples :
Exemple 1. La distribution des salaires annuels dans une population contenant
n = 14890442 actifs, ( le nombre d’individus Ni touchant le salaire si exprimé en
euros) est distribuée comme suit :
Licence L2-MAT45 : Statistiques et Probabilités 2—M.Boutahar 20
1.2 e+07
8.0 e+06
N.individus
4.0 e+06
0.0 e+00
salaire
si (en C
= ) Ni
10000 11583265
20000 2045372
30000 683240
40000 349740
.
50000 183280
100000 36250
200000 7975
500000 1015
1000000 305
1X
9
s= =,
Ni si = 13862.81C
n i=1
1X
9
V (s) = Ni (si − s)2 = 133496156, σ
bs = 11554.05,
n i=1
5 Moments
Le moment d’ordre r de la variable x par rapport à l’origine x0 est défini par
1X
k
mr (x0 ) = ni (xi − x0 )r .
n i=1
Proposition 15 On a
Definition 3 Une série double à deux indices est définie par l’observation de n cou-
ples de valeur tels que :
i) Cas discret : x prends les valeurs x1 , ..., xp et y prends les valeurs y1 , ..., yr , et à
chaque couple de valeur (xi , yj )1≤i≤p;1≤j≤r on associe :
-Sa fréquence absolue ni,j qui est le nombre de fois où (x, y) = (xi , yj ).
n
-Sa fréquence relative fi,j = ni,j .
ii) Cas continu : Les valeurs observées pour x et pour y sont regroupées respective-
ment en p et r classes [a0 , a1 [,[a1 , a2 [,...,[ap−1 , ap ], resp. [b0 , b1 [, [b1 , b2 [ ,..., [br−1 , br ],
et ni,j est le nombre d’observations pour lesquelles ai−1 ≤ x ≤ ai , et bj−1 ≤ y ≤ bj .
55 − 60 145 0 0 145
60 − 65 0 25 30 55
Totaux 145 25 30 200
partiels
Les résultats sont présentés souvent avec un tableau à double entrée(ou matrice)
comme suit
22
Licence L2-MAT45 : Statistiques et Probabilités 2—M.Boutahar 23
1 X
r
yi = ni,j yj .
ni,• j=1
1 X
r
b2xi (y)
σ = ni,j (yj − y i )2 .
ni,• j=1
Licence L2-MAT45 : Statistiques et Probabilités 2—M.Boutahar 24
De même on définit :
- la moyenne conditionnelle de x sachant y = yj :
p
1 X
xj = ni,j xi .
n•,j i=1
cov(x, y) 1X
r= , où cov(x, y) = ni,j (xi − x)(yj − y).
bx σ
σ by n i,j
1X
n
cov(x, y) b
b
a = ,b = y −b
ax , où cov(x, y) = (xi − x)(yi − y),
b2x
σ n i=1
1X 1X 1X
n n n
2 2
bx =
σ (x − x) , x = xi , y = yi .
n i=1 i n i=1 n i=1
Licence L2-MAT45 : Statistiques et Probabilités 2—M.Boutahar 25
Proposition 16
i) |r| ≤ 1,
ii) r2 = ba1 b
a2 , où b
a1 (resp. b
a2 ) est le coefficient directeur de la droite d’ajustement
de y en x (resp. de x en y).
b2y − SSR/n
σ X
n
2
R = , SSR = e2i ,
b2y
σ i=1
SSR est la somme des carrés des résidus, avec ei = yi − (bb + b axi ) le résidu qui
correspond à l’observation yi .
R2 est un réel toujours inférieur à 1.
Si R2 est proche de 1 alors l’ajustement est de bonne qualité.
Si R2 est proche de 0 alors l’ajustement est de mauvaise qualité.
Exemples :
Exemple 1) On reprend l’exemple de la distribution des salaires, le graphique 3.3
nous suggère que le nombre d’individus décroît lorsque le salaire croit, le rythme de
décroissance est exponentiel. On peut donc déduire que le coefficient de corrélation
linéaire est négatif ; en effet on trouve r = −0.3005368. Pour expliquer N en fonction
de s, nous allons faire une transformation logarithmique. En effet en posant y =
ln(N) et x = ln(s), le graphique 4.1 montre qu’il y a une relation linéaire en y et x.
La somme des carrés des résidus SSR = 0.2012 est très faible.
Le coefficient R2 = 0.9971 est proche de 1, on peut donc affirmer que l’ajustement
est de bonne qualité.
En résumé, on peut donc supposer que le nombre d’individus N est lié au salaire
s par la relation
N (s) = e−2.305 ln(s)+37.241 = 1.491286 × (1016 )s−2.305 .
16
14
log(N.individus)
12
10
8
6
10 11 12 13
log(salaire)
12
10
8
6
10 11 12 13
log(salaire)
6000
N.bactéries
4000
2000
0
2 4 6 8 10 12
jours
ti (jours) 2 3 4 5 6 7 8 9 10 11 12
Ni ,
55 90 135 245 403 665 1100 1810 3000 4450 7350
(bactéries)
La somme des carrés des résidus SSR = 0.04499 est très faible.
Le coefficient R2 = 0.9993 est très proche de 1, on peut donc affirmer que
l’ajustement est de très bonne qualité.
En résumé, on déduit que l’évolution du nombre de bactéries en fonction des
jours suit l’équation
N(t) = e0.494t+3.014 = 20.36871e0.494t .
Licence L2-MAT45 : Statistiques et Probabilités 2—M.Boutahar 28
9
8
log(`N.bactéries`)
7
6
5
4
2 4 6 8 10 12
jours
7
6
5
4
2 4 6 8 10 12
jours
29
Licence L2-MAT45 : Statistiques et Probabilités 2—M.Boutahar 30
Cramer-Rao, :
V (θ̂) ≥ I(θ)−1 ,
où
∂ log L(θ, X) 2
I(θ) = E(( ))
∂θ
matrice d’information de Fisher ;
Y
n
L(θ, X) = fXi (Xi , θ)
i=1
X
n
log L(θ, X) = n log θ − θ Xi ,
i=1
∂ log L(θ, X) n X
n
= − Xi ,
∂θ θ i=1
Licence L2-MAT45 : Statistiques et Probabilités 2—M.Boutahar 31
donc
1X
n
1
θ̂ = , X= Xi .
X n i=1
2.1.1 σ connu
√ P
Le pivot est donné par pv = n X−m σ
, en effet X = n1 ni=1 Xi à N(m, σ 2 /n),
donc pv à N(0, 1). On lit alors dans la table de Gauss le quantile u1− α2 tel que
P (N(0, 1) ∈ [−u1− α2 , u1− α2 ]) = 1 − α donc P (pv ∈ [−u1− α2 , u1− α2 ]) = 1 − α, par
conséquent P (m ∈ [X − u1− α2 √σn , X + u1− α2 √σn ]) = 1 − α; l’ intervalle de confiance
au niveau α pour m est alors donné par
σ σ
Iα = [x − u1− α2 √ , x + u1− α2 √ ]. (5.1)
n n
2.1.2 σ inconnu
L’intervalle ci-dessus est inutilisable car il dépend de σ,
√ X−m Pdonc il faut estimer ce
1 n
dernier, le pivot est donné par pv = n S , où S = n−1 1 (Xi − X)2 , qui est un
2
observée
On attribue la valeur m0 pour moyenne du caractère dans une population et
on veut juger le bien fondé de cette hypothèse en se basant sur un échantillon. On
Licence L2-MAT45 : Statistiques et Probabilités 2—M.Boutahar 32
décision : si d = x − y ∈ Im on rejette H0 .
ii) Cas σ 2x et σ 2y inconnues :
ii.1 Cas des grands échantillons
P (nx ≥ 30 et ny ≥ 30) : On peut remplacer σ 2x (resp
n
. σ 2x ) par Sx2 = nx1−1 1 x (Xi − X)2 (resp. Sy2 ), et donc l’intervalle critique au seuil
α est donné par
s s
2 s 2 [ s2y
sx y s2x
Im =] − ∞, −u1−α/2 + ] [u1−α/2 + , ∞[, (5.3)
nx ny nx ny
Licence L2-MAT45 : Statistiques et Probabilités 2—M.Boutahar 33
décision : si d ∈ Im on rejette H0 .
b) σ 2x 6= σ 2y .On détermine l’angle θ (exprimé en degré) défini par 0 < θ ≤ 45◦ tel
que √
sx / nx
tan θ = √ , (5.6)
sY / ny
√ √
il faut choisir les indices X et Y de telle sorte que sx / nx ≤ sY / ny .
La table de Sukhatme, donne pour un seuil de signification α et en fonction de
ν 1 = nX − 1 et ν 2 = nY − 1 et θ le nombre ε tel que SH = r X−Y 2 S2
vérifie
Sx
nx
+ ny
y
P (|SH| ≥ ε) = α.
Si |SH| ≥ ε alors on rejette H0.
√ D
n .
T =
SD
Si n est grand, disons supérieur à 30, T est assimilée à une variable centrée
réduite de Gauss ; si n est petit et si D suit une loi de Gauss, T suit une loi de
Student à (n − 1) degrés de liberté.
Licence L2-MAT45 : Statistiques et Probabilités 2—M.Boutahar 34
(n − 1)s2 (n − 1)s2
Iv = [ , ].
xb xa
3 Analyse de la variance
Le but est de comparer plusieurs séries d’observations d’une variable X afin de
décider s’elles proviennent de populations dans lesquelles X a la même moyenne ou
la même variance.
On considère k échantillons gaussiens Ei = {xi,1 , ..., xi,ni } , 1 ≤ i ≤ k indépen-
dants.
On désigne par m1 , ..., mk les moyennes de X dans les populations P1 , ..., Pk
respectivement d’où sont extraits les échantillons E1 , ..., Ek .
On suppose que X a la même variance σ 20 dans les populations P1 , ..., Pk . On
définit la variance intraclasse, par
1 X 2
k
2
Sintra = ν i si , ν i = ni − 1, (5.8)
n − k i=1
ni ni
1 X 1 X
s2i = 2
(xi,j − xi ) , xi = xi,j .
ni − 1 j=1 ni j=1
1 X
k
2
Sinter = ni (xi − x)2 , (5.9)
k − 1 i=1
ni
1 XX X
k k
x = xi,j , n = ni .
n i=1 j=1 i=1
S2
On a sous H0 : Sinter
2 Ã F (k − 1, n − k), loi de Fisher-Snédécor à (k − 1, n − k)
intra
degrés de liberté, donc l’intervalle critique au seuil α est donné par
Iα = [fα , ∞[, avec P (F (k − 1, n − k) > fα ) = α, (5.10)
2
Sinter
décision : si 2
Sintra
∈ Iα on rejette H0 .
X
n
k
Pn (x) = f ( )Cnk xk (1 − x)n−k .
k=0
n
37
Licence L2-MAT45 : Statistiques et Probabilités 2—M.Boutahar 38
où M = maxx∈[0,1] |f (x)| .
iii) Montrez l’inégalité
x(1 − x) 1
|Pn (x) − f (x)| ≤ ε + 2M .
δ 2 (ε) n
iv) En déduire que le polynôme Pn converge uniformément vers f sur [0, 1].
Exercice 1.(Loi Uniforme) Soit X une variable aléatoire suivant une loi uniforme
sur un intervalle [a,b], notée U[a,b], donc de densité
½ 1
b−a
si x ∈ [a, b]
f (x) =
0 sinon
la loi de Y = |X|.
Exercice 5. La variable aléatoire suit une loi normale de moyenne 0 et de variance
1.
Déterminez la loi de Z = X 2 + 2X.
Exercice 6. Soient λ > 0, et la fonction f définie sur R par f (x) = 12 λe−λ|x| .
i) Montrer que f est une densité de probabilité.
i) Calculer a.
ii) Déterminer la fonction caractéristique φ de X.
iii) Soient X1 et X2 deux variables aléatoires indépendantes et ayant la même
loi que X. On effectue le changement de variables
3 Estimation et tests
ti 2 3 4 5 6 7 8 9 10 11 12
,
Ni 55 90 135 245 403 665 1100 1810 3000 4450 7350
i) Calculer les moyennes des observations ti et yi ainsi que les écarts types de ces
observations.
iii) Ecrire le modèle théorique ajusté aux données (ti , Ni ) auquel conduisent les
estimations de N0 et k.
Licence L2-MAT45 : Statistiques et Probabilités 2—M.Boutahar 41
iv) Au bout d’un jour, quelle est l’estimation du nombre de bactéries ? Au bout
de combien de jours peut-on prévoir que le nombre de bactéries sera 2000 fois celui
du nombre initial ?
Exercice 2. La distribution des revenus soumis à l’impôt a été étudiée par
Pareto qui a proposé le modèle théorique N = Ama , où N est le nombre de
revenus supérieurs ou égaux à m, A et a sont des constantes à estimer. Pour une
année, on observe les revenus d’une population soumis à l’impôt et on a obtenu :
mi Ni
10000 11583265
20000 2045372
30000 683240
40000 349740
.
50000 183280
100000 36250
200000 7975
500000 1015
1000000 305
Exercice 6. Le poids d’une variété d’animaux de 1 ans d’un certain élevage suit
sensiblement une loi de Gauss de moyenne 80kg et d’écart type 12kg. On considère
un échantillon de 16 animaux dont le poids moyen est de 73,5 kg.
Faut-il écarter l’hypothèse selon laquelle l’échantillon n’est pas représentatif de
l’élevage : i) au seuil de signification α = 0.05 ?ii)au seuil de signification α = 0.01?
Exercice 7. Le taux de glycémie à jeun d’une population d’adultes est sup-
posé distribué suivant une loi de Gauss d’espérance mathématique 0.80g/l. Sur un
échantillon de 12 personnes on a trouvé les mesures suivantes :
0.60 0.90 0.74 0.96 0.85 1.05 0.80 0.93 1.17 0.70 0.84 0.75
intervalle X 11 12 13 14 15 16 17 18
nombre d’animaux 2 6 17 18 9 4 2 0
Pour un second lot d’animaux, élevés dans un milieu plus riche destiné à accélérer
le développement, on a obtenu les résultats suivants :
intervalle X 11 12 13 14 15 16 17 18
nombre d’animaux 3 7 21 12 5 2 0 1
b1
i) Calculer les estimations de l’espérance mathématique m1 et de l’écart type σ
relatif au premier lot, ainsi que de l’espérance mathématique m2 et de l’écart type
b2 relatif au second lot.
σ
ii) Au seuil de signification α = 0.05, tester l’hypothèse nulle : H0 : m1 = m2 .
Exercice 9. On a déterminé dans le sang le taux d’une certaine protéine chez
des sujets atteints d’une maladie. On a trouvé
152 148 139 135 1 43 13 0 143 144 138 137 140 148 142 135 145
Licence L2-MAT45 : Statistiques et Probabilités 2—M.Boutahar 43
E1 175 176 179 177 180 180 178 183 176 178 177 177 178
E2 165 176 174 187 192 169 171 170 177 173 171 167 170
Ei E1 E2 E3 E4 E5
ni 10 15 10 20 10
xi 152 150 148 151 153
b2i
σ 18 21 28 18 26
Licence L2-MAT45 : Statistiques et Probabilités 2—M.Boutahar 44
i) Calculer les variances intraclasse (dans les fours) et interclasse (entre les fours)
des observations précédentes.
ii) Au seuil de signification α = 0.05, peut-on considérer qu’il y a homogénéité
des dispersions des résistances à la rupture ? Pour cela utiliser les deux tests : le test
Neyman et Pearson et le test de Barlett.
iii) En admettant l’homogénéité des dispersions, étudier l’homogénéité, au seuil
de signification α = 0.05, de cette production.