Vous êtes sur la page 1sur 36

Cours de mathmatiques - STAT2

Maxime NGUYEN1
29 septembre 2016

1. Contact : Maxime.Nguyen@st-cyr.terre-net.defense.gouv.fr

M. NGUYEN

Table des matires

1 Variables alatoires
I.
Introduction aux statistiques . . . . . . . . . . . . . . . . .
1.
Vocabulaire des statistiques . . . . . . . . . . . . .
2.
Objectifs des statistiques . . . . . . . . . . . . . . .
II. Gnralits sur les variables alatoires . . . . . . . . . . .
1.
Dfinitions . . . . . . . . . . . . . . . . . . . . . .
2.
Fonction de rpartition . . . . . . . . . . . . . . . .
3.
Loi de probabilit dune variable alatoire discrte
4.
Loi de probabilit dune variable alatoire continue
5.
Esprance dune variable alatoire . . . . . . . . .
6.
Variance et cart-type dune variable alatoire . . .
III. Quelques lois usuelles (discrtes et continues) . . . . . . .
1.
Loi de Bernoulli . . . . . . . . . . . . . . . . . . . .
2.
Loi binomiale . . . . . . . . . . . . . . . . . . . . .
3.
Loi de Poisson . . . . . . . . . . . . . . . . . . . . .
4.
Loi uniforme . . . . . . . . . . . . . . . . . . . . .
IV. Loi Normale . . . . . . . . . . . . . . . . . . . . . . . . . .
1.
Dfinition . . . . . . . . . . . . . . . . . . . . . . .
2.
Etude des intervalles centrs . . . . . . . . . . . . .
V. Limites et approximations . . . . . . . . . . . . . . . . . .
1.
Variables alatoires i.i.d. . . . . . . . . . . . . . . .
2.
Thorme central limite . . . . . . . . . . . . . . .
VI. Construction de nouvelles lois . . . . . . . . . . . . . . . .
1.
Somme de lois normales . . . . . . . . . . . . . . .
2.
Loi du Chi-deux . . . . . . . . . . . . . . . . . . . .
3.
Loi de Student . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

5
5
5
5
6
6
6
7
7
7
8
9
9
9
10
11
11
11
12
13
13
13
13
13
14
15

2 Echantillonnage et estimation
I.
Echantillon alatoire . . . .
1.
Introduction . . . .
2.
Dfinition . . . . . .
3.
Moyenne empirique
4.
Variance empirique .
5.
Frquence . . . . . .
II. Estimateurs ponctuels . . .
1.
Dfinition . . . . . .

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

17
17
17
17
17
18
19
19
19

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
3

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

TABLE DES MATIRES

M. NGUYEN

.
.
.
.
.
.
.

20
20
21
21
21
23
23

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

25
25
25
25
26
26
26
26
27
27
27
29
30
30
30
31

A Tables de valeurs
I.
Tables de la Loi Normale Centre Rduite N (0; 1). . . . . . . . . . . . . . . . . . .
II. Loi du 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
III. Loi de Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

33
33
35
36

III.

2.
Proprits attendues . . . . . . . . . . . . . . . . . . . . . . . .
3.
Estimateurs usuels . . . . . . . . . . . . . . . . . . . . . . . . .
Estimation par intervalle de confiance . . . . . . . . . . . . . . . . . .
1.
Dmarche gnrale . . . . . . . . . . . . . . . . . . . . . . . . .
2.
Intervalle de confiance dune proportion . . . . . . . . . . . . .
3.
Intervalle de confiance dune moyenne . . . . . . . . . . . . . .
4.
Intervalle de confiance dune moyenne, lcart-type est inconnu

3 Tests dhypothse
I.
Gnralits sur les tests statistiques . . . . . . . . . .
1.
Philosophie des tests . . . . . . . . . . . . . .
2.
Premier exemple . . . . . . . . . . . . . . . .
3.
Mthodologie . . . . . . . . . . . . . . . . . .
4.
Hypothses . . . . . . . . . . . . . . . . . . .
5.
Erreur, risque . . . . . . . . . . . . . . . . . .
6.
Rgion critique . . . . . . . . . . . . . . . . .
7.
Prise de dcision . . . . . . . . . . . . . . . .
II. Test de conformit . . . . . . . . . . . . . . . . . . .
1.
Test dune proportion . . . . . . . . . . . . .
2.
Test dune moyenne . . . . . . . . . . . . . .
III. Test de conformit en loi : le test dadquation du 2
1.
Donnes du problme . . . . . . . . . . . . .
2.
Mthodologie . . . . . . . . . . . . . . . . . .
3.
Exemple . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

CHAPITRE

Variables alatoires

I. Introduction aux statistiques


1. Vocabulaire des statistiques
Une tude statistique consiste tudier un ou plusieurs caractres observables sur un ensemble
dindividus appel population. Le caractre peut tre quantitatif ou qualitatif. Les valeurs prises
par un caractre qualitatif sont les modalits.
Leffectif dune population est le nombre total dindividus dans la population.
Si la population a un effectif trs grand, on peut tre ramen tudier un chantillon de la
population (dite population-mre), cest--dire un sous-ensemble de cette population. Le nombre
dindividus constituant lchantillon est la taille de lchantillon.

2. Objectifs des statistiques


La statistique descriptive est un ensemble de mthodes qui permettent dordonner et de classer
des donnes, de les rduire ensuite un nombre limit dindicateurs sucseptibles de dcire la
distribution du caractre tudi. On distinguera :
les indicateurs de tendance centrale (ou de position), par exemple la moyenne ou la mdiane ;
les indicateurs de dispersion, par exemple la variance ou lcart-type ;
les indicateurs de forme, qui renseignent par exemple sur la symtrie ou sur la concentration
dune distribution
La statistique infrentielle na pas pour but dobserver (calcul dindicateurs de position, de
dispersion...) mais dinfrer, cest--dire de dduire de manire logique des informations partir
dobservations faites sur un chantillon. On est alors conduit formuler des hypothses dont on
vrifie la validit laide de tests statistiques. La conclusion du test permet de prendre une dcision compte tenu dun risque derreur que lon pourra mesurer. Plusieurs types de tests seront
tudis :
lestimation : estimer les paramtres de position ou de dispersion dune population partir
de ceux observs sur un chantillon ;
la conformit : dterminer si un chantillon peut tre considr comme reprsentatif dune
population tudie ;
lhomognit : dterminer si les diffrences observes entre deux chantillons sont dues
au hasard ou bien si elles sont significatives.
5

CHAPITRE 1. VARIABLES ALATOIRES

M. NGUYEN

Ces diffrents tests et les calculs qui sen dgageront reposent sur la thorie des probabilits. Il
est donc utile de rappeler quelques notions de probabilit.

II. Gnralits sur les variables alatoires


1. Dfinitions
Definition 1.1 : .
Une exprience alatoire est une exprience ayant plusieurs issues (ou ventualits)
possibles, sans que lon sache laquelle sera ralise lorsque lexprience est effectue.
Lunivers ou espace fondamental est un ensemble constitu des ventualits possibles
pour une exprience alatoire donne : on le note gnralement .
Chaque lment de lunivers est appel vnement lmentaire.
Un vnement A est une partie (un sous-ensemble) de lunivers E : il est constitu dun
ou plusieurs vnements lmentaires.
Definition 1.2 : Soit = {e1 , e2 , ..., en , ...} un univers dnombrable.
Une loi de probabilit sur E est la donne de nombres positifs p1 , p2 , ..., pn , ... tels que
p1 + p2 + ... = 1
Une variable alatoire permet dextraire des donnes numriques partir dun univers de probabilit.
Definition 1.3 : Soit un univers de probabilit. On appelle variable alatoire une application
X: R
Lensemble image X() est lensemble des valeurs prises par la variable X.
1. Si X() est un ensemble dnombrable, on dit que X est une variable alatoire discrte ;
2. Sinon, on dit que X est une variable alatoire continue.
Notations : lvnement X prend la valeur u o u R est un rel fix se note alors {X = u}
ou encore [X = u]. Cet vnement est gal lensemble
{ |X() = u}
lvnement X prend des valeurs infrieures ou gales u o u R est un rel fix se note
alors {X u} ou encore [X u]. Cet vnement est gal lensemble
{ |X() u}
Exemple 1.1 : Soit X la variable alatoire donnant le rsultat du lanc dun d 6 faces.
Lvnment {X 3} se traduit en franais par lvnement le rsultat du d est infrieur ou
gal 3 . On peut ensuite calculer la probabilit P(X 3) de cet vnement.

2. Fonction de rpartition
Definition 1.4 :

La fonction de rpartition dune variable alatoire X est la fonction


FX : t 7 P(X t)

Proprit 1.1 : Soit FX la fonction de rpartition dune variable alatoire X ; alors :


FX est une fonction croissante : t1 < t2 FX (t1 ) FX (t2 )
lim FX (t) = P() = 0
t

lim FX (t) = P() = 1

t+

CHAPITRE 1. VARIABLES ALATOIRES

M. NGUYEN

3. Loi de probabilit dune variable alatoire discrte


Definition 1.5 : On appelle loi de probabilit dune variable alatoire discrte X la suite de
nombres positifs
(P(X = k))kX()
telle que

P(X = k) = 1

kX()

Proprit 1.2 : La fonction de rpartition dune variable alatoire discrte X caractrise entirement la loi de la variable X : en effet, si k X(), FX (k) FX (k 1) = P(X = k).

4. Loi de probabilit dune variable alatoire continue


Definition 1.6 : Soit un univers de probabilit. On appelle variable alatoire absolument
continue une application
X: R
telle quil existe une fonction relle f telle que pour tout t R,
t
P(X t) =
f (u)du

Une telle fonction f est appele fonction densit de la variable alatoire X et permet de dfinir
sa loi de probabilit.
Notations : lvnement X prend des valeurs comprises entre a et b o a, b R sont des rels
fixs se note alors {a X b} ou encore [a X b].
On a alors

P(a X b) =

f (u)du
a

Proprit 1.3 : Si X est une variable alatoire absolument continue, alors pour tout rel t,
P(X = t) = 0 et P(X t) = P(X < t).
Proprit 1.4 : Si X est une variable alatoire absolument continue de densit f et de fonction
de rpartition FX , alors f est la drive de FX .

5. Esprance dune variable alatoire


Definition 1.7 : Soit X une variable alatoire. On note E(X) lesprance de X, cest la valeur
que lon obtient en moyenne en ralisant un grand nombre de fois lexprience alatoire. Elle
est dfinie par :
si X est une variable discrte,

E(X) =
kP(X = k)
kX()

si X est une variable absolument continue,


+
E(X) =
uf (u)du

Si E(X) = 0, on dit que la variable alatoire X est centre.


7

CHAPITRE 1. VARIABLES ALATOIRES

M. NGUYEN

Proprit 1.5 : linarit. Si X et Y sont des variables alatoires et un rel quelconque, on


a E(X + Y ) = E(X) + E(Y ) et E(X) = E(X).
Par consquent, la variable Y = X E(X) est une variable centre.
Thorme 1.1 (thorme de transfert). Si g est une fonction dfinie sur X() alors on peut
calculer E(g(X)) :
si X est une variable discrte,

E(g(X)) =
g(k)P(X = k)
kX()

si X est une variable absolument continue,


+
E(X) =
g(u)f (u)du

Par exemple, si X est une variable alatoire discrte, E(X 2 ) =

kX() k

2 P(X

= k)

6. Variance et cart-type dune variable alatoire


Definition 1.8 : Soit X une variable alatoire : alors la variance de X mesure la moyenne
des carts au carr des valeurs prises par rapport la moyenne des valeurs. Elle est dfinie par
le rel
(
)
2 (X) = E (X E(X))2
Lcart-type est le rel
(X) =

2 (X)

Si (X) = 1, on dit que la variable alatoire X est rduite.


Si (X) = 0, la variable alatoire X est presque srement constante.
Proprit 1.6 : Formule de Huygens.
2 (X) = E(X 2 ) (E(X))2
Dmonstration. A partir de la dfinition, on dveloppe le carr et on utilise la linarit de lesprance.
On remarquera que la variance nest pas linaire :
Proprit 1.7 :

Pour tout rel ,


2 (X) = 2 2 (X)

Par consquent, la variable Y =

1
(X) X

est une variable rduite.

Thorme 1.2. Si X et Y sont deux variables alatoires indpendantes, alors


2 (X + Y ) = 2 (X) + 2 (Y )
Exercice 1.
Soient X1 , X2 , X3 trois variables alatoires indpendantes ayant la mme esprance et la mme
variance 2 . Soit la variable alatoire Y = X1 + 3X2 2X3 . Calculer lesprance et la variance
de Y .

CHAPITRE 1. VARIABLES ALATOIRES

M. NGUYEN

S`oluti`on : Par linarit de lesprance (prop 1.5), on a


E(Y ) = E(X1 ) + 3E(X2 ) 2E(X3 ) = + 3 2 = 2
Par indpendance des variables (Thorme 1.2),
V (Y ) = V (X1 ) + V (3X2 ) + V (2X3 )
Daprs la prop 1.7, V (3X2 ) = 9V (X2 ) et V (2X3 ) = 4V (X3 ) donc finalement :
V (Y ) = 14 2

III. Quelques lois usuelles (discrtes et continues)


1. Loi de Bernoulli
Definition 1.9 : Une variable alatoire X suit une loi de Bernoulli de paramtre p [0; 1] si
X() = {0; 1} (X prend la valeur 0 ou 1)
P(X = 1) = p (et par consquent P(X = 0) = 1 p)
Modle :
et chec

cest la loi modlisant une exprience alatoire deux issues possibles de type succs
issue

probabilit

1p

1p

Proprit 1.8 : Si X suit une loi de Bernoulli de paramtre p [0; 1] alors :


E(X) = p
2 (X) = p(1 p)

2. Loi binomiale
Definition 1.10 : Une variable alatoire X suit une loi binomiale de paramtre n N et
p [0; 1] (note B(n, p)) si
X() = {0; 1; ...; n}
pour tout k {0; 1; ...; n},
( )
n k
P(X = k) =
p (1 p)nk
k
( )
n!
o nk = k!(nk)!
Definition 1.11 : coefficient binomial. Le coefficient
k lments dans un ensemble n lments.

(n )
k

n!
k!(nk)!

est le nombre de parties

CHAPITRE 1. VARIABLES ALATOIRES

M. NGUYEN

Exemple 1.2 : Dans un ensemble 4 lments {a, b, c, d}, il y a


savoir : {a, b}, {a, c}, {a, d}, {b, c}, {b, d}, {c, d}.

(4 )
2

= 6 parties deux lments,

Modle : cest la loi modlisant le nombre de succs obtenus lorsque lon rpte n fois de manire
indpendante une exprience de Bernoulli.
Proprit 1.9 : Si (Xi )i[1;n] est une suite de variables alatoires indpendantes suivant chacune une loi de Bernoulli de paramtre p, alors
X = X1 + X2 + ... + Xn
est une variable alatoire suivant une loi binomiale de paramtres (n, p).

0.11
0.10
0.09
0.08
0.07
0.06
0.05
0.04
0.03
0.02
0.01
25

30

35

40

45

B(100; 0, 8)

50

55

60

65

70

75

80

85

90

95

100

Proprit 1.10 : Si X suit une loi binomiale B(n, p) alors :


E(X) = np
2 (X) = np(1 p)

3. Loi de Poisson
Definition 1.12 : Une variable alatoire X suit une loi de Poisson de paramtre > 0 (note
P()) si
X() = N
pour tout k {0; 1; ...; n},
k
P(X = k) = e
k!
Modle : Cest la loi des vnements rares : elle est utilise lorsquon considre le nombre de
succs lors dune rptition indpendantes dun grand nombre dexpriences ayant une probabilit
trs faible de conduire un succs. Elle permet donc dapprocher une loi binomiale lorsque n est
suffisamment grand et p suffisamment petit (ce cadre dutilisation sera prcis).
Proprit 1.11 : Si X suit une loi de Poisson P() alors :
E(X) =
2 (X) =
10

CHAPITRE 1. VARIABLES ALATOIRES

M. NGUYEN

4. Loi uniforme
Definition 1.13 : On dit quune variable alatoire X suit une loi uniforme U(a, b) si elle admet
pour fonction de densit
{
1
pour a x b,
f (x) = ba
0
sinon.
Proprit 1.12 : Si X suit une loi uniforme U(a, b) alors :
E(X) = a+b
2
2 (X) =

(ba)2
12

IV. Loi Normale


1. Dfinition
Definition 1.14 : Soit R et > 0. On dit quune variable alatoire X suit une loi normale
N (, 2 ) si elle admet pour fonction de densit
(t)2
1
fX (t) =
e 22
2

Dans le cas particulier o = 0 et = 1, on dit que la loi normale est centre rduite. Voici
alors sa courbe de densit :
0.5
0.4
0.3
0.2
0.1

0.1
0.2

F IGURE 1.1 Courbe de Gauss


En pratique, les calculs approchs de probabilit se feront laide dun outil informatique ou
par lecture dune table de valeurs.
Proprit 1.13 :

Si une variable alatoire X suit une loi normale N (, 2 ) alors la variable


Z=

suit une loi normale centre rduite N (0, 1).


Il peut tre utile de considrer la variable Z = X
pour utiliser des tables de valeurs ou des
proprits de la loi normale centre rduite. On remarquera notamment que par symtrie de la
courbe, P(Z < 0) = P(Z > 0) = 0.5.
11

CHAPITRE 1. VARIABLES ALATOIRES

M. NGUYEN

Proprit 1.14 : Si X suit une loi normale N (, 2 ) alors :


E(X) =
2 (X) = 2

2. Etude des intervalles centrs


Soit Z une variable alatoire suivant une loi normale centre rduite. On cherche trouver
une valeur x > 0 telle que P(x < Z < x) = 1 o ]0; 1[ (typiquement = 5%, ce nombre
reprsentera par la suite une marge derreur). Par symtrie de la courbe de Gauss, cela revient
chercher x tel que P(Z < x) = P(Z > x) = 2 .
Notons la fonction de rpartition dune loi normale centre rduite.

P(x < Z < x) = (x) (x)


= (x) (1 (x)) par symtrie de la fonction de Gauss
= 2(x) 1
Lquation devient donc :
P(x < Z < x) = 1

2(x) 1 = 1

(x) = 1
2

La fonction de rpartition tant strictement croissante, on peut appliquer le thorme des


valeurs intermdiaires :
Proprit 1.15 : Soit Z une variable alatoire suivant une loi normale centre rduite. Soit
]0; 1[ : alors il existe un unique rel strictement positif u/2 tel que
P(u/2 < Z < u/2 ) = 1
Le nombre u/2 est le quantile dordre 1 2 de la loi normale centre rduite. En pratique, on
utilise la fonction inverse de la fonction de rpartition pour le dterminer.
Il est utile de se souvenir des valeurs suivantes : u0,05/2 1,96 et u0,01/2 2,58, ce qui se
traduit par
P(1.96 < Z < 1.96) = 95%
P(2.58 < Z < 2.58) = 99%
Proprit 1.16 :

Si X suit une loi normale N (, 2 ), alors

1. P(X [ ; + ]) 0.68 ;
2. P(X [ 2; + 2]) 0.95 ;
3. P(X [ 3; + 3]) 0.997 ;
Exemple 1.3 : Un test de QI est conu de faon ce que, pour une population donne, le QI
moyen soit de 100 et lcart-type de 15. Les rsultats au test de QI sont distribus suivant une loi
normale. Sans calcul, on peut donc affirmer que moins de 5% de la population a un QI infrieur
70 (donc en dehors de lintervalle [ 2; + 2]).
12

CHAPITRE 1. VARIABLES ALATOIRES

M. NGUYEN

V. Limites et approximations
1. Variables alatoires i.i.d.
On considre n variables alatoires X1 , ..., Xn indpendantes et de mme loi. On dit alors
quelles sont indpendantes et identiquement distribues et on les note (Xi )1in i.i.d.

2. Thorme central limite


On considre n variables alatoires (Xi )1in i.i.d desprance et dcart-type . On dfinit
Sn = X1 + ... + Xn la somme de ces variables alatoires. Par linarit, Sn a pour esprance n et

par indpendance, a pour cart-type n. On pose alors


Zn =

Sn n

On remarque que Zn est une variable alatoire centre rduite.


Thorme 1.3 (Thorme Central Limite). Soit une variable alatoire Z N (0, 1). Avec les
notations prcdentes, pour tout rel t,
P(Zn t) P(Z t)
n+

Interprtations :
Ce thorme signifie que pour n assez grand (n > 25 en pratique), on peut considrer que
Zn suit approximativement une loi normale centre rduite.
Dun autre point de vue, il signifie galement que la somme Sn = X1 + ... + Xn suit approximativement une loi normale N (n, n 2 ).
Exemple 1.4 : Si X suit une loi binomiale B(100; 0.4) alors X est une somme de variables
de Bernoulli indpendantes. On calcule, grce au formulaire (prop 1.10), que E(X) = 40 et
V (X) = 24 ((X) 4.90). Comme n est grand, on peut dire daprs le thorme central limite
que X suit approximativement une loi normale N (40; 24).

VI. Construction de nouvelles lois


En combinant des lois normales, on peut crer de nouvelles lois de probabilits utiles en statistique :

1. Somme de lois normales


Proprit 1.17 : Soient deux variables alatoires indpendantes X1 N (1 , 12 ) et X2
N (2 , 22 ), a > 0 :
1. X1 + X2 suit une loi N (1 + 2 , 12 + 22 )
2. aX1 suit une loi N (a1 , a2 12 )
3. X1 suit une loi N (1 , +12 )
Exemple 1.5 : Si X1 , X2 , X3 sont trois variables alatoires indpendantes suivant une mme
loi N (, 2 ), alors :

13

CHAPITRE 1. VARIABLES ALATOIRES

M. NGUYEN

X1 + X2 + X3 suit une loi N (3, 3 2 )


en revanche, 3 X1 suit une loi N (3, 9 2 ).
Exemple 1.6 : Si (X1 , ..., Xn ) est une suite de n variables alatoires indpendantes suivant
chacune une mme loi N (, 2 ), alors la variable
1
Xi
n
n

Y =

i=1

suit une loi N (, n )

2. Loi du Chi-deux
Definition 1.15 : On considre n variables alatoires Z1 , ..., Zn indpendantes de mme loi
N (0, 1). Alors la variable
n

Zi2
i=1

suit une loi du Chi-deux n degrs de libert 2 (n).


On ne sintressera pas sa fonction de densit. On pourra calculer des valeurs laide dun
outil informatique ou dune table de valeurs. On admet la proprit suivante :
Proprit 1.18 : Si X suit une loi 2 (n) alors
E(X) = n
2 (X) = 2n
Exemple 1.7 : Soit X1 , ..., X5 une suite de 5 variables alatoires indpendantes suivant chacune une mme loi normale de moyenne 200 et dcart type 10. Alors pour tout entier i compris
entre 1 et 5, la variable alatoire
Xi 200
Zi =
10
suit une loi N (0, 1). Par consquent, la variable alatoire
U=

)
5 (

Xi 200 2
i=1

10

suit une loi 2 (5). De plus, E(U ) = 5 et 2 (U ) = 10.


Plus gnralement, on retiendra que :
Proprit 1.19 : Si X1 , ..., Xn une suite de n variables alatoires indpendantes suivant chacune une mme loi normale de moyenne et dcart type . Alors pour tout entier i compris
entre 1 et n, la variable alatoire
Xi
Zi =

suit une loi N (0, 1). Par consquent, la variable alatoire


U=

)
n (

Xi 2
i=1

suit une loi 2 (n).


14

CHAPITRE 1. VARIABLES ALATOIRES

M. NGUYEN

0.5
0.4
0.3
0.2
0.1
0

F IGURE 1.2 Courbe de 2 (n) pour n {1, ..., 10} et n = 4


Cette loi sera utile en statistique pour lestimation et la thorie des tests statistiques.
En remplaant la moyenne par la moyenne des variables alatoires X, on peut dmontrer le
rsultat suivant :
Thorme 1.4. Si X1 , ..., Xn une suite de n variables alatoires indpendantes suivant chacune
une mme loi normale de moyenne et dcart type . On note
1
Xi
X=
n
n

i=1

Alors la variable alatoire


S=

)2
n (

Xi X
i=1

suit une loi 2 (n 1).

3. Loi de Student
Definition 1.16 :

On considre une variable Z N (0, 1) et U 2 (n). Alors la variable


Z
T =

U
n

suit une loi de Student n degrs de libert St(n).


De mme que pour la loi du Chi-deux, on ne retiendra que ses paramtres pour une utilisation
en statistiques.
Proprit 1.20 : Si T suit une loi St(n) alors
E(T ) = 0
n
2 (T ) = n2
Thorme 1.5 (approximation). Lorsque n est grand, une loi de Student St(n) peut tre approche
par une loi normale centre rduite.

15

CHAPITRE 1. VARIABLES ALATOIRES

M. NGUYEN

0.4
0.3
0.2
0.1

F IGURE 1.3 Courbe de St(n) pour n {1, ..., 5} et n = 4

16

CHAPITRE

Echantillonnage et estimation

I. Echantillon alatoire
1. Introduction
Le but dune tude statistique est dobtenir des informations sur lensemble dune population.
Lorsque celle-ci est de taille trop importante, on tudie un chantillon qui doit tre prlev de
manire alatoire. Ainsi, un chantillon sera modlis par des variables alatoires et la thorie de
lchantillonnage se basera sur la thorie des probabilits.
On considrera par la suite quun tirage dun chantillon de taille n se fera avec remise, ce qui
a pour consquence que les tirages sont supposs indpendants.

2. Dfinition
Definition 2.1 : Soit X une variable alatoire dfinie sur un espace probabilis . Un chantillon de taille n de X est un n-uplet (X1 , ..., Xn ) de variables alatoires i.i.d. suivant la mme
loi que X (appele loi mre).
Une ralisation de cet chantillon est un n-uplet de rels (x1 , ..., xn ) o pour tout i [1; n],
Xi () = xi avec .
Definition 2.2 :

Une statistique dchantillonnage est une fonction de (X1 , ..., Xn ).

3. Moyenne empirique
On considre par la suite un n-chantillon (X1 , ..., Xn ).
Definition 2.3 :
X dfinie par

La moyenne empirique de lchantillon (X1 , ..., Xn ) est la statistique note


1
Xi
n
n

X=

i=1

Proprit 2.1 : Soit = E(X) et 2 = V (X) o X est la variable mre de lchantillon


(X1 , ..., Xn ) et X la moyenne empirique de cet chantillon. Alors on a :
E(X) =
2
V (X) = n
17

CHAPITRE 2. ECHANTILLONNAGE ET ESTIMATION

M. NGUYEN

Dmonstration. Par linarit de lesprance, on a que


1
1
1
E(X) =
E(Xi ) =
E(X) = n E(X) =
n
n
n
n

i=1

i=1

Par indpendance des variables X1 , ..., Xn , on a que 2 (X1 +...+Xn ) = 2 (X1 )+...+ 2 (Xn ) =
do le rsultat.

n 2 ,

4. Variance empirique
Definition 2.4 :
S 2 dfinie par

La variance empirique de lchantillon (X1 , ..., Xn ) est la statistique note


1
S2 =
(Xi X)2
n
n

i=1

Proprit 2.2 : Soit = E(X) et 2 = V (X) o X est la variable mre de lchantillon


(X1 , ..., Xn ) et S2 la variance empirique de cet chantillon. Alors on a :
E(S2 ) =

n1 2

Dmonstration. Pour faire apparaitre 2 = n1 ni=1 (Xi )2 dans lexpression de S2 , on crit


dabord que pour tout i, Xi X = Xi (X ). Cela permet dobtenir que

(Xi X)2 =

i=1

(Xi (X ))2

i=1

i=1

(Xi )2 2

i=1

(Xi )2 2(X )

i=1

(Xi )(X ) +

(Xi ) + n(X )2

i=1

(Xi )2 2(X ) n(X ) + n(X )2


(Xi )2 n(X )2

i=1

Par linarit de lesprance, on en dduit que


18

(X )2

i=1
n

i=1
n

CHAPITRE 2. ECHANTILLONNAGE ET ESTIMATION

E(S ) =
2

M. NGUYEN

( n
)

(
)
1
2
E
(Xi ) E (X )2
n
i=1

n
)
(
)
1 (
E (Xi )2 E (X )2
n

n
1 2
(Xi ) 2 (X)
n

n
1 2 2

n
n

i=1

i=1

i=1

2
n
n1 2

= 2
=

5. Frquence
Lorsque la variable mre suit une loi de Bernoulli (succs ou chec), on sintressera la
frquence de succs dans lchantillon laide de la statistique
1
Xi
F =
n
n

i=1

appele frquence empirique.


Proprit 2.3 : Soit p le paramtre de la loi de Bernoulli suivie par la variable mre X est la
variable mre de lchantillon (X1 , ..., Xn ) et F la frquence empirique de cet chantillon. Alors
on a :
E(F ) = p
V (F ) = p(1p)
n
Lors dun sondage sur 1000 personnes, on peut observer la frquence dapparition dun caractre f . On dit que f est une estimation ponctuelle de la proportion p de ce caractre dans la
population mre, de taille trop importante pour tre tudie directement. On pourra galement
estimer la valeur de p laide dune fourchette [p1 ; p2 ] appel intervalle de confiance.

II. Estimateurs ponctuels


On va utiliser les statistiques tudies au paragraphe prcdent pour estimer la valeur dune
moyene, de la variance ou dune frquence dapparition dun caractre dune grande population.

1. Dfinition
Dans une population donne, on considre un paramtre inconnu que lon souhaite estimer
(cela peut tre sa moyenne, son cart-type, ou une proportion...). Soit (X1 , ..., Xn ) un chantillon
de taille n de cette population.
19

CHAPITRE 2. ECHANTILLONNAGE ET ESTIMATION

M. NGUYEN

Definition 2.5 : Un estimateur de est une statistique Tn des variables (X1 , ..., Xn ) dont
la ralisation (oscillant autour de E(T )) est envisage comme une bonne valeur de . Si
(x1 , ..., xn ) est une ralisation de cet chantillon, alors Tn (x1 , ..., xn ) est un rel appel estimation du paramtre .
Il existe une infinit destimateurs, mais certains choix destimateurs ont de bonnes proprits
que lon dtaillera par la suite.
Exemple 2.1 : Un sondage effectu sur 300 votants dune population de 50000 personnes
a montr que 165 personnes sont prtes voter pour un candidat C. La proportion observe
p = 165
300 est une estimation de la proportion de votants prts voter pour le candidat C de
la population
de 50000 personnes. Cette estimation est obtenue laide de lestimateur F =
1 300
X
.
i
i=1
300

2. Proprits attendues
Definition 2.6 :

Soit T un estimateur dun paramtre .

1. Le biais de T est la valeur E(T ) note B(T ) ;


(
)
2. Lcart quadratique moyen est la valeur E (T )2 note EQM ()
Voici deux caractristiques souhaitables pour un estimateur :
Definition 2.7 :

Soit Tn un estimateur dun paramtre associ un chantillon de taille n.

1. Lestimateur Tn est sans biais si B(Tn ) = 0.


2. Lestimateur Tn est convergent si lim EQM (Tn ) = 0.
n+

Proprit 2.4 :

Soit Tn un estimateur dun paramtre associ un chantillon de taille n.


EQM (Tn ) = 2 (Tn ) + B(Tn )2

Cela implique quun estimateur sans biais est convergent si et seulement si sa variance tend
vers 0 quand n tend vers linfini.
Plus la variance dun estimateur est petite, plus on dira que lestimateur est efficace.
Exercice 2.
On considre trois variables alatoires indpendantes X1 , X2 , X3 suivant chacune une loi de
probabilit de mme moyenne et de variance 2 . On pose
M1 =

X1 + 2X2 + 3X3
X1 + X2 + X3
et M2 =
3
6

1. Dmontrer que ce sont deux estimateurs sans biais de la moyenne .


2. Comparer lefficacit de ces deux estimateurs.

3. Estimateurs usuels
On considre un n-chantillon (X1 , ..., Xn ) de moyenne et dcart-type . Les proprits des
statistiques tudies prcdemment permettent les conclusions suivantes :

Moyenne : X = n1 ni=1 Xi est un estimateur de la moyenne , cest un estimateur sans biais


et convergent.
20

CHAPITRE 2. ECHANTILLONNAGE ET ESTIMATION

M. NGUYEN

Variance : on a 3 estimateurs usuels :

1. si est connu, 2 = n1 ni=1 (Xi )2 est un estimateur de la variance 2 , cest un


estimateur sans biais et convergent.

2. si est inconnu, S2 = n1 ni=1 (Xi X)2 est un estimateur de la variance 2 , cest un


estimateur biais mais convergent.
1 n
n 2
2
2
3. si est inconnu, S 2 = n1
i=1 (Xi X) = n1 S est un estimateur de la variance ,
cest un estimateur sans biais et convergent.

Frquence : F = n1 ni=1 Xi , associ une variable de Bernoulli de paramtre p, est un estimateur de la frquence de succs p, cest un estimateur sans biais et convergent.

III. Estimation par intervalle de confiance


On cherche maintenant estimer un paramtre laide dun intervalle. Cela va permettre de
contrler lerreur possible lors de lestimation.

1. Dmarche gnrale
Etant donn un estimateur T dun paramtre et un niveau de confiance (1 ) o ]0; 1[,
on cherche dterminer un intervalle Iconf (T ) tel que
P ( Iconf (T )) = 1
Le nombre est le risque derreur, on choisit souvent = 5% ou = 1%.
On cherchera autant que possible dterminer des intervalles de confiance risques symtriques, cest--dire des intervalles de la forme [T ; T + ] avec
P( < T ) = P( > T + ) =

Pour calculer ces probabilits, il va donc falloir connaitre en particulier les lois suivies par les
estimateurs usuels (on rappelle quun estimateur est avant tout une variable alatoire).

2. Intervalle de confiance dune proportion

Estimateur utilis : Soit F = n1 ni=1 Xi lestimateur de frquence associ une variable de


Bernoulli de paramtre p. Alors nF suit une loi binomiale B(n, p) et on en dduit que E(F ) = p et
2 (F ) = p(1p)
n .
Loi de lestimateur utilise : Daprs
le )
thorme central limite, on sait donc que F peut-tre
(
p(1p)
. On fait cette approximation lorsque n > 30, np > 5
approch par une loi normale N p, n
et n(1 p) > 5.
Calcul dun intervalle de confiance pour cette loi :

On sait que

F p

p(1p)
n

suit une loi normale

centre rduite N (0, 1). On rappelle quil existe un unique rel strictement positif u tel que
P(u < Z < u ) = 1
o Z =

F p

p(1p)
n

suit une loi N (0, 1).


21

CHAPITRE 2. ECHANTILLONNAGE ET ESTIMATION

M. NGUYEN

Or
u Z u

F p
u
u

p(1p)
n

p(1 p)
F u
p F + u
n
p Iconf (F )
[

Iconf (F ) = F u

p(1 p)
; F + u
n

p(1 p)
n

p(1 p)
n

Cet intervalle alatoire contient la valeur p recherche avec une probabilit 1 .


Un intervalle de confiance est aussi une ralisation de cet intervalle alatoire partir des donnes observes : on remplace la variable F par la frquence observe f dans les donnes et on
obtient un intervalle
]
[

p(1 p)
p(1 p)
f u
; f + u
n
n
Modification de lintervalle avec des donnes connues :

Le problme de lintervalle
de confiance

)
trouv ici est que ses bornes dpendent du paramtre inconnu p. Lcart-type
= f (1f
associ
n

la frquence observe est un estimateur de lcart-type = p(1p)


mais il est biais, on peut
n

n
en revanche estimer par n1

. On peut donc prendre pour intervalle de confiance :


]
[

f (1 f )
f (1 f )
; f + u
Iconf (F ) = f u
n1
n1

Autres simplifications possibles :


1. si p est proche de 0.5, on peut remplacer p(1 p) par son maximum, cest--dire 0.25, on
obtient ainsi un intervalle de confiance par excs de p :
[
]
1
1
Iconf (F ) = f u ; f + u
2 n
2 n
2. si n est grand, on peut remplacer n 1 par n :
[
Iconf (F ) = f u

f (1 f )
; f + u
n

f (1 f )
n

Exercice 3.
Avant de lancer un nouvel article sur le march, un industriel souhaiterait connatre la proportion
p de personnes susceptibles dacheter un article. Pour cela, il ralise une enqute auprs de 1000
personnes. Le rsultat de cette enqute indique que 77 personnes parmi les personnes interroges
envisagent dacheter larticle. Donner une estimation de p laide dun intervalle de confiance au
niveau 95%. Que devient lintervalle si on passe un niveau de confiance de 99% ?

S`oluti`on : Pour 95%, Iconf (p) = [0.0605 ; 0.0935]. Si le niveau de confiance augmente, lintervalle slargit
(on prend moins de risque).

22

CHAPITRE 2. ECHANTILLONNAGE ET ESTIMATION

M. NGUYEN

3. Intervalle de confiance dune moyenne

Estimateur utilis : Soit X = n1 ni=1 Xi lestimateur de la moyenne pour une loi mre de
2
moyenne et dcart-type . On a calcul que E(X) = et 2 (X) = n .
Loi de lestimateur utilise : Daprs
)le thorme central limite, on sait donc que X peut-tre
(
2
approch par une loi normale N , n . On fait cette approximation lorsque n est grand.
Calcul dun intervalle de confiance pour cette loi :

On sait que

suit une loi normale

centre rduite N (0, 1). De mme que prcdemment, il existe un unique rel strictement positif
u tel que

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


n
n
[

do

Iconf (X) = x u ; x + u
n
n

pour une moyenne observe x par la variable X.

4. Intervalle de confiance dune moyenne, lcart-type est inconnu


Le calcul prcdent est possible en connaissant lcart-type de la loi mre. En gnral, quand
on cherche la moyenne , lcart-type est galement inconnu.
Estimateur
utilis :
1 n
2
(X
i X) .
i=1
n1

On va donc faire intervenir un estimateur de 2 , en loccurrence S 2 =

Loi de lestimateur utilis si la loi mre a une distribution normale : on sait donc que Z =
X
suit une loi normale N (0, 1). En remplaant par lestimateur S, on a alors besoin du

rsultat (admis) suivant :


Proprit 2.5 :

La variable

(n1) 2
S
2

suit une loi 2 (n 1).

Or on sait par dfinition dune loi de Student que

Z
(n1) 2
S
2

n1

suit une loi St(n 1), donc en remplaant Z par son expression et en simplifiant, il vient que
U = X
suit une loi St(n 1).
S

Calcul dun intervalle de confiance pour cette loi :


existe un unique rel strictement positif t tel que

De mme que pour une loi normale, il

P(t < U < t ) = 1


En notant s la valeur observe pour S, on en dduit un intervalle de confiance :
[
]
s
s
Iconf (X) = x t ; x + t
n
n
23

CHAPITRE 2. ECHANTILLONNAGE ET ESTIMATION

M. NGUYEN

Loi de lestimateur utilise si la loi mre a une distribution quelconque et n est grand :
daprs le thorme central limite, Z = X
peut-tre approch par une loi normale N (0, 1). On

admet qualors, en remplaant par son estimateur S, U =

X
S

suit une loi N (0, 1).

On en dduit un intervalle de confiance :


[
]
s
s
Iconf (X) = x u ; x + u
n
n
Exercice 4.
On dispose de 8 prises de sang recueillies sur une mme personne. On obtient pour chaque prise
un dosage de cholestrol en grammes :
246 243 247 248 245 249 242 245
On souhaite estimer le dosage moyen de cholestrol partir de ces donnes, laide dun
intervalle au niveau de confiance de 95%.

S`oluti`on : Iconf () = [243.64 ; 247.61]

24

CHAPITRE

Tests dhypothse

Le rsultat dune estimation fournit une ralit ponctuelle qui ne concorde pas ncessairement
une ralit statistique, bien quon puisse mesurer le risque derreur. Le but de ce chapitre est de
dvelopper un cadre danalyse formalis qui permette de prendre des dcisions de rejeter ou non
une hypothse.

I. Gnralits sur les tests statistiques


1. Philosophie des tests
Le principe des tests est le suivant : on formule une certaine hypothse de dpart, on modlise
les donnes, et on regarde quel est leur comportement typique sous lhypothse. Si les valeurs
observes ne rentrent pas dans les clous de ce comportement typique, alors on part du principe
que cest lhypothse de dpart qui est fausse : on se permet de rejeter lhypothse. Evidemment, il
y a une petite probabilit que ce ne soit pas le cas et quon lait rejete tort. Inversement, elle peut
tre fausse alors que le comportement observ est malgr tout acceptable ; mais comme toujours
en statistique,on accepte un petit pourcentage derreur.
Ici, il y a deux types derreurs possibles, rejeter tort ou conserver tort. Ces deux erreurs
nont par ailleurs pas le mme poids : lerreur la plus grave est de rejeter tort lhypothse.

2. Premier exemple
Lors dun test de grossesse, il y a 4 situations possibles : la personnes est enceinte ou non, le
test est positif ou non. On fait donc une hypothse H0 : la personne est enceinte . Si le test est
ngatif, on rejette lhypothse que la personne est enceinte. Si le test est positif, on ne rejette pas
lhypothse que la personne est enceinte.
Il y a deux possibilits derreur : le test est ngatif mais la personne est enceinte, ou linverse :
le test est positif mais la personne nest pas enceinte.
la personne est enceinte la personne nest pas enceinte
test positif cohrent
erreur type II (risque )
test ngatif erreur type I (risque )
cohrent
Lerreur que lon cherche contrler est celle de type I : on choisira frquemment = 5% ou
= 1%, cest le niveau du test. Lerreur de type II est plus difficilement calculable.
25

CHAPITRE 3. TESTS DHYPOTHSE

M. NGUYEN

3. Mthodologie
Pour raliser un test dhypothse, il faut effectuer les tapes suivantes :
1. Formuler lhypothse en langage courant et en langage probabiliste ;
2. Etablir la statistique de test, cest--dire la variable alatoire U dont on connait la loi en
supposant lhypothse vraie et qui permet de mesurer lcart entre la thorie et la ralit ;
3. Dterminer la rgion critique partir de H1 , cest--dire dans quel cas on rejette lhypothse ainsi que le seuil de dcision ;
4. Comparer la valeur observe avec la rgion critique que lon aura calcule avec la loi de U
et le seuil ;
5. Conclure sur le rejet ou non de lhypothse.
On pourra aussi calculer la puissance du test 1 .

4. Hypothses
Le modle que lon tudie ici repose sur la formulation de 2 hypothses :
1. Lhypothse que lon teste est appele hypothse nulle et se note H0
2. Lhypothse que lon oppose la lhypothse nulle sappelle lhypothse alternative et se
note H1 .
Lhypothse nulle est celle que lon ne veut pas rejeter sans avoir de bonnes raisons de le faire.
Lhypothse alternative peut-tre le complmentaire de lhypothse nulle, ou un sous-ensemble de
celui-ci.
Exemple 3.1 : Dans un jeu de pile ou face, on se demande si la pice est truque. Soit p la
proportion de Face lors dun chantillon de n lancers. Lhypothse nulle H0 est la pice nest
pas truque et se traduit par p = 21 . Lhypothse alternative peut tre alors H1 : la pice est
truque .

5. Erreur, risque
1. Erreur de 1re espce : cest la probabilit de rejeter lhypothse H0 alors quelle est vraie.
2. Erreur de 2nde espce : cest la probabilit de ne pas rejeter lhypothse H1 alors quelle
est fausse.
3. Puissance du test : cest la probabilit 1 de rejeter lhypothse H0 alors que H1 est vraie.
La valeur est le seuil de dcision, cest lui que lon fixe pour effectuer le test. On peut ensuite
calculer condition de connaitre les lois de probabilits sous lhypothse H1 .

6. Rgion critique
On appelle rgion critique ou zone de rejet lensemble W des valeurs de la variable de dcision qui conduisent rejeter H0 au profit de H1 . On a alors les probabilits conditionnelles :
PH0 ( W ) = et PH1 ( W ) = 1
On appelle rgion dacceptation le complmentaire de la rgion critique : on la note W .
26

CHAPITRE 3. TESTS DHYPOTHSE

M. NGUYEN

Hypothse simple : du type H0 : = 0


La rgion critique dpend du choix de lhypothse alternative H1 qui nest pas forcment le
contraire de H0 :
H1 : = 0 , test bilatral et la rgion critique W est de la forme ] ; a[]b; +[ ;
H1 : < 0 , test unilatral gauche et la rgion critique W est de la forme ] ; a[ ;
H1 : > 0 , test unilatral droite et la rgion critique W est de la forme ]b; +[.

7. Prise de dcision
Si la valeur observe appartient la rgion critique W , on peut rejeter lhypothse H0
avec un risque derreur .
Sinon, le non rejet sexprime mais avec prudence : la diffrence entre la valeur observe
et H0 nest pas significative et peut sexpliquer par des fluctuations dchantillonnage normales.

II. Test de conformit


1. Test dune proportion
On souhaite tester, avec un risque derreur , une hypothse portant sur la proportion p dun
caractre qualitatif dune population mre au vu dun chantillon (X1 , ..., Xn ) de grande taille n,
par rapport une valeur thorique p0 . Lhypothse nulle est donc
H0 : p = p0
La loi mre suit une loi de Bernoulli de paramtre p : Xi = 1 si le caractre est observ sur
lindividu i, Xi = 0 sinon. Le nombre dapparitions du caractre dans lchantillon est donc
K=

Xi

i=1

et K suit une loi binomiale B(n, p).


La frquence dapparition du caractre dans lchantillon est donc
1
K
=
Xi
F =
n
n
n

i=1

On note fobs la proportion observe sur la variable dchantillonnage F .


1. Hypothses : On pose H0 : p = p0 et au choix :
(a) H1 : p = p0 , test bilatral
(b) H1 : p < p0 , test unilatral gauche
(c) H1 : p > p0 , test unilatral droite
2. Variable de dcision : on pose

F p0
Z=

p0 (1p0 )
n

et on sait que Z suit approximativement une loi normale N (0, 1).


3. Zone de rejet W , en fonction du choix de H1 , on pose u/2 le nombre positif tel que P (Z <
u/2 ) = 1 2 et u le nombre positif tel que P (Z < u ) = 1
27

CHAPITRE 3. TESTS DHYPOTHSE

M. NGUYEN

(a) test bilatral :

u/2

u/2

(b) test unilatral droite :

u
(c) test unilatral gauche :

u
4. Valeur observe : on considre la valeur
fobs p0
zobs =

p0 (1p0 )
n

et on regarde si zobs W : on regarde si


(a) test bilatral : zobs < u/2 ou zobs > u/2
(b) test unilatral droite : zobs > u
(c) test unilatral gauche : zobs < u
5. On conclut : si zobs W , on rejette lhypothse H0 avec un risque derreur .
Exercice 5.
Pour tre adopt, un projet de construction dun nouveau stade de foot doit ncessairement
recueillir plus de 50% davis favorables de la population de la ville. Dans un chantillon de 100
personnes, 58 ont mis un avis favorable au projet. Que peut-on en conclure au risque de 5% ?

28

CHAPITRE 3. TESTS DHYPOTHSE

M. NGUYEN

S`oluti`on : On teste H0 : p = 0.5 contre H1 : p > 0.5. Cest un test unilatral droite et uobs = 1.6 < u =

1.645 (tables de valeurs de la loi N (0, 1)) : on ne peut pas rejeter lhypothse : il ny a aucune certitude que
le projet soit accueilli favorablement.

2. Test dune moyenne


On souhaite tester, avec un risque derreur , une hypothse portant sur la moyenne dune
variable alatoire mre au vu dun chantillon (X1 , ..., Xn ) de grande taille n, par rapport une
valeur thorique 0 . Lhypothse nulle est donc
H0 : = 0
On note xobs la moyenne et obs lcart-type observs sur la variable dchantillonnage
1
Xi
n
n

X=

i=1

1. Hypothses : On pose H0 : p = p0 et au choix :


(a) H1 : = 0 , test bilatral
(b) H1 : < 0 , test unilatral gauche
(c) H1 : > 0 , test unilatral droite
2. Variable de dcision : on pose
Z=
o S 2 =

1
n1

i=1 (Xi

X 0
S
n

X)2 .

(a) Si la loi mre a une distribution normale, alors Z suit une loi St(n 1) ;
(b) Si la loi mre a une distribution quelconque mais que n est grand, alors Z suit une loi
N (0, 1).
3. Zone de rejet W , en fonction du choix de H1 , on pose u/2 le nombre positif tel que P (Z <
u/2 ) = 1 2 et u le nombre positif tel que P (Z < u ) = 1
4. Valeur observe : on considre la valeur
zobs =

xobs 0

obs
n

et on regarde si zobs W
5. On conclut : si zobs W , on rejette lhypothse H0 avec un risque derreur .
Exercice 6.
Une chane de montage de rfrigrateurs fonctionne de faon optimale si le temps de passage
dans la chane nexcde pas 20 min. Un chantillon de 25 rfrigrateurs a t choisi et le temps
de passage est observ pour chacun des rfrigrateurs. La moyenne du temps de passage ainsi
obtenu est de 22 min, avec un cart-type de 5 min.
On souhaite dterminer si la chane de montagne fonctionne de faon optimale, avec un seuil de
signification = 5%.

S`oluti`on : On teste H0 : = 20 contre H1 : > 20. Cest un test unilatral droite et tobs = 2 < t =
1.711 (tables de valeurs de la loi St(24)) : on peut rejeter lhypothse, et donc penser que le temps de
passage est significativement suprieur 20 minutes.

29

CHAPITRE 3. TESTS DHYPOTHSE

M. NGUYEN

III. Test de conformit en loi : le test dadquation du 2


1. Donnes du problme
On souhaite tester, avec un risque derreur , une hypothse portant sur la loi de probabilit L
dune variable alatoire mre au vu dun chantillon (X1 , ..., Xn ) de grande taille n, par rapport
une loi usuelle L0 .
On suppose par ailleurs que lchantillon porte sur une variable mre suivant une loi discrte
et on note k le nombre de valeurs (ou classes) prises par cette variable. On va noter les effectifs de
chaque classe en distinguant les effectifs observs sur lchantillon des effectifs thoriques.
Classe / valeurs :
1 2 ... k
Effectifs observs oi :
o1 o2 ... ok
Effectifs thoriques ei : e1 e2 ... ek
On remarquera que la somme des effectifs de chaque classe donne la taille de lchantillon :
k

oi = n

i=1

Calcul des effectifs thoriques Leffectif thorique ei est lesprance de la variable alatoire
donnant leffectif alatoire oi de la i-me classe. On a donc
ei = n p i
o pi est la probabilit, pour la loi L0 , que Oi prenne la i-me valeur (ou classe de valeur). Les
valeurs ei ne sont pas forcment des nombres entiers.

2. Mthodologie
1. Hypothses : Lhypothse nulle et lhypothse alternative sont donc
H0 : L = L0
H1 : L = L0
2. Variable de dcision : on pose
Q=

(Oi ei )2
i=1

ei

o Oi est la variable alatoire donnant leffectif de la i-me classe pour le n-chantillon.


Cette variable permet de mesurer la distance entre la loi thorique L0 et la loi L que lon
cherche estimer. On admettra le rsultat suivant :
Thorme 3.1. La variable alatoire Q suit asymptotiquement (pour n grand) une loi
2 (k 1 l)
o k est le nombre de valeurs et l est le nombre de paramtres que lon doit estimer pour la loi L0 .
Exemple 3.2 : Si on veut tester lhypothse quun chantillon suit approximativement
une loi normale avec un chantillon de 1000 valeurs classes dans 6 intervalles, on a 6
valeurs et 2 paramtres ( et ) estimer do
k1l =612=3
30

CHAPITRE 3. TESTS DHYPOTHSE

M. NGUYEN

et la variable de dcision suivra approximativement une loi 2 (3).


3. La zone de rejet est donc du type W = [t ; +[ o t est calculer laide de la loi
2 (n 1 l) et du niveau derreur (souvent = 5%)
4. Valeur observe
(a) On estime les ventuels paramtres de la loi L0 , souvent laide de la moyenne et de
lcart-type empiriques ;
Exemple 3.3 : Si le jeu de donnes dun chantillon de 500 valeurs semble suivre
une loi de Poisson, on estime son paramtre laide dun calcul de la moyenne des
valeurs, par exemple x = 12.33 : puisque lesprance dune variable X suivant un loi
de Poisson de paramtre est E(X) = , on peut estimer 12.33.
(b) On calcule les effectifs thoriques ei ; les valeurs de oi sont des donnes du problme ;
(c) On calcule la valeur
qobs =

(oi ei )2

ei

i=1

et on regarde si qobs W .
5. On conclut : si qobs W (donc si qobs est trop grand ), on rejette lhypothse H0 avec un
risque derreur .

3. Exemple
On souhaite tester si la couleur dune voiture influence le consommateur dans son achat. Pour
cela, on ralise un chantillon de taille n = 600 voitures achetes et on observe la rpartition des
voitures vendues selon leur couleur :
Vert
70

Rouge
130

Jaune
150

Bleu
50

Blanc
80

Noir
120

TOTAL
600

1. Hypothses : H0 : Les voitures sont rparties uniformment selon la couleur


contre H1 : La rpartition nest pas uniforme
2. Variable de dcision : on a k = 6 valeurs, l = 0 paramtres donc la variable
Q=

(Oi ei )2
i=1

ei

suit une loi 2 (5)


3. Zone de rejet : daprs la table de 2 (5), lintervalle de rejet pour = 5% est [11.07 ; +[.
4. Valeur observe : dans le tableau, on dispose des valeurs observes suivantes : o1 = 70,
o2 = 130, o3 = 150... tandis que les valeurs thoriques sont e1 = e2 = ... = e6 = 16 600 =
100 (rpartition uniforme). On en dduit
qobs =

(oi 100)2
i=1

100

= 76 > 11.07

5. Conclusion : on peut dcider de rejeter lhypothse : la rpartition des couleurs nest pas
uniforme.

31

CHAPITRE 3. TESTS DHYPOTHSE

32

M. NGUYEN

ANNEXE

Tables de valeurs

I. Tables de la Loi Normale Centre Rduite N (0; 1).

(t) = P(X t) =

x2
1
e 2 dx et (t) = 1 (t).
2

(t)

t
Voici une table des quantiles les plus couramment utilises :

1 (p)

1 (p)

1 (p)

0.9
0.95
0.975
0.99
0.995
0.9975

1.2815515655
1.6448536270
1.9599639845
2.3263478740
2.5758293035
2.8070337683

0.999
0.9995
0.99975
0.9999
0.99995
0.999975

3.0902323062
3.2905267315
3.4807564043
3.7190164855
3.8905918864
4.0556269811

0.99999
0.999995
0.9999975
0.999999
0.9999995
0.99999975

4.2648907939
4.4171734135
4.5647877303
4.7534243088
4.8916384757
5.0263128360

La table suivante donne toutes les valeurs de (t) o t parcourt lintervalle [0; 3.99] par pas de
102 .
Exemple A.1 : On lira dans la table ci-contre que P(X 1.96) 97.50%.
33

ANNEXE A. TABLES DE VALEURS


t
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.9

34

0.00
0.5000
0.5398
0.5793
0.6179
0.6554
0.6915
0.7257
0.7580
0.7881
0.8159
0.8413
0.8643
0.8849
0.9032
0.9192
0.9332
0.9452
0.9554
0.9641
0.9713
0.9772
0.9821
0.9861
0.9893
0.9918
0.9938
0.9953
0.9965
0.9974
0.9981
0.9987
0.9990
0.9993
0.9995
0.9997
0.9998
0.9998
0.9999
0.9999
1.0000

0.01
0.5040
0.5438
0.5832
0.6217
0.6591
0.6950
0.7291
0.7611
0.7910
0.8186
0.8438
0.8665
0.8869
0.9049
0.9207
0.9345
0.9463
0.9564
0.9649
0.9719
0.9778
0.9826
0.9864
0.9896
0.9920
0.9940
0.9955
0.9966
0.9975
0.9982
0.9987
0.9991
0.9993
0.9995
0.9997
0.9998
0.9998
0.9999
0.9999
1.0000

0.02
0.5080
0.5478
0.5871
0.6255
0.6628
0.6985
0.7324
0.7642
0.7939
0.8212
0.8461
0.8686
0.8888
0.9066
0.9222
0.9357
0.9474
0.9573
0.9656
0.9726
0.9783
0.9830
0.9868
0.9898
0.9922
0.9941
0.9956
0.9967
0.9976
0.9982
0.9987
0.9991
0.9994
0.9995
0.9997
0.9998
0.9999
0.9999
0.9999
1.0000

M. NGUYEN

0.03
0.5120
0.5517
0.5910
0.6293
0.6664
0.7019
0.7357
0.7673
0.7967
0.8238
0.8485
0.8708
0.8907
0.9082
0.9236
0.9370
0.9484
0.9582
0.9664
0.9732
0.9788
0.9834
0.9871
0.9901
0.9925
0.9943
0.9957
0.9968
0.9977
0.9983
0.9988
0.9991
0.9994
0.9996
0.9997
0.9998
0.9999
0.9999
0.9999
1.0000

0.04
0.5160
0.5557
0.5948
0.6331
0.6700
0.7054
0.7389
0.7704
0.7995
0.8264
0.8508
0.8729
0.8925
0.9099
0.9251
0.9382
0.9495
0.9591
0.9671
0.9738
0.9793
0.9838
0.9875
0.9904
0.9927
0.9945
0.9959
0.9969
0.9977
0.9984
0.9988
0.9992
0.9994
0.9996
0.9997
0.9998
0.9999
0.9999
0.9999
1.0000

0.05
0.5199
0.5596
0.5987
0.6368
0.6736
0.7088
0.7422
0.7734
0.8023
0.8289
0.8531
0.8749
0.8944
0.9115
0.9265
0.9394
0.9505
0.9599
0.9678
0.9744
0.9798
0.9842
0.9878
0.9906
0.9929
0.9946
0.9960
0.9970
0.9978
0.9984
0.9989
0.9992
0.9994
0.9996
0.9997
0.9998
0.9999
0.9999
0.9999
1.0000

0.06
0.5239
0.5636
0.6026
0.6406
0.6772
0.7123
0.7454
0.7764
0.8051
0.8315
0.8554
0.8770
0.8962
0.9131
0.9279
0.9406
0.9515
0.9608
0.9686
0.9750
0.9803
0.9846
0.9881
0.9909
0.9931
0.9948
0.9961
0.9971
0.9979
0.9985
0.9989
0.9992
0.9994
0.9996
0.9997
0.9998
0.9999
0.9999
0.9999
1.0000

0.07
0.5279
0.5675
0.6064
0.6443
0.6808
0.7157
0.7486
0.7794
0.8078
0.8340
0.8577
0.8790
0.8980
0.9147
0.9292
0.9418
0.9525
0.9616
0.9693
0.9756
0.9808
0.9850
0.9884
0.9911
0.9932
0.9949
0.9962
0.9972
0.9979
0.9985
0.9989
0.9992
0.9995
0.9996
0.9997
0.9998
0.9999
0.9999
0.9999
1.0000

0.08
0.5319
0.5714
0.6103
0.6480
0.6844
0.7190
0.7517
0.7823
0.8106
0.8365
0.8599
0.8810
0.8997
0.9162
0.9306
0.9429
0.9535
0.9625
0.9699
0.9761
0.9812
0.9854
0.9887
0.9913
0.9934
0.9951
0.9963
0.9973
0.9980
0.9986
0.9990
0.9993
0.9995
0.9996
0.9997
0.9998
0.9999
0.9999
0.9999
1.0000

0.09
0.5359
0.5753
0.6141
0.6517
0.6879
0.7224
0.7549
0.7852
0.8133
0.8389
0.8621
0.8830
0.9015
0.9177
0.9319
0.9441
0.9545
0.9633
0.9706
0.9767
0.9817
0.9857
0.9890
0.9916
0.9936
0.9952
0.9964
0.9974
0.9981
0.9986
0.9990
0.9993
0.9995
0.9997
0.9998
0.9998
0.9999
0.9999
0.9999
1.0000

ANNEXE A. TABLES DE VALEURS

M. NGUYEN

II. Loi du 2
F (t) = P(X t)
La table suivante contient les quantiles de la loi 2 avec degrs de libert. Pour tout 0 < p < 1,
le quantile est la valeur de t pour laquelle P{X t} = p, o X 2 (). Ainsi t = F1 (p).

F (t)

t
p

0.005

0.01

0.025

0.05

0.1

0.5

0.9

0.95

0.975

0.99

0.995

0.999

1
2
3
4
5
6
7
8
9

0.0000
0.0100
0.0717
0.2070
0.4117
0.6757
0.9893
1.3444
1.7349

0.0002
0.0201
0.1148
0.2971
0.5543
0.8721
1.2390
1.6465
2.0879

0.0010
0.0506
0.2158
0.4844
0.8312
1.2373
1.6899
2.1797
2.7004

0.0039
0.1026
0.3518
0.7107
1.1455
1.6354
2.1673
2.7326
3.3251

0.0158
0.2107
0.5844
1.0636
1.6103
2.2041
2.8331
3.4895
4.1682

0.4549
1.3863
2.3660
3.3567
4.3515
5.3481
6.3458
7.3441
8.3428

2.7055
4.6052
6.2514
7.7794
9.2364
10.645
12.017
13.362
14.684

3.8415
5.9915
7.8147
9.4877
11.070
12.592
14.067
15.507
16.919

5.0239
7.3778
9.3484
11.143
12.833
14.449
16.013
17.535
19.023

6.6349
9.2103
11.345
13.277
15.086
16.812
18.475
20.090
21.666

7.8794
10.597
12.838
14.860
16.750
18.548
20.278
21.955
23.589

10.828
13.816
16.266
18.467
20.515
22.458
24.322
26.124
27.877

10
11
12
13
14
15
16
17
18
19

2.1559
2.6032
3.0738
3.5650
4.0747
4.6009
5.1422
5.6972
6.2648
6.8440

2.5582
3.0535
3.5706
4.1069
4.6604
5.2293
5.8122
6.4078
7.0149
7.6327

3.2470
3.8157
4.4038
5.0088
5.6287
6.2621
6.9077
7.5642
8.2307
8.9065

3.9403
4.5748
5.2260
5.8919
6.5706
7.2609
7.9616
8.6718
9.3905
10.117

4.8652
5.5778
6.3038
7.0415
7.7895
8.5468
9.3122
10.085
10.865
11.651

9.3418
10.341
11.340
12.340
13.339
14.339
15.338
16.338
17.338
18.338

15.987
17.275
18.549
19.812
21.064
22.307
23.542
24.769
25.989
27.204

18.307
19.675
21.026
22.362
23.685
24.996
26.296
27.587
28.869
30.144

20.483
21.920
23.337
24.736
26.119
27.488
28.845
30.191
31.526
32.852

23.209
24.725
26.217
27.688
29.141
30.578
32.000
33.409
34.805
36.191

25.188
26.757
28.300
29.819
31.319
32.801
34.267
35.718
37.156
38.582

29.588
31.264
32.909
34.528
36.123
37.697
39.252
40.790
42.312
43.820

20
21
22
23
24
25
26
27
28
29
30

7.4338
8.0337
8.6427
9.2604
9.8862
10.520
11.160
11.808
12.461
13.121
13.787

8.2604
8.8972
9.5425
10.196
10.856
11.524
12.198
12.879
13.565
14.256
14.953

9.5908
10.283
10.982
11.689
12.401
13.120
13.844
14.573
15.308
16.047
16.791

10.851
11.591
12.338
13.091
13.848
14.611
15.379
16.151
16.928
17.708
18.493

12.443
13.240
14.041
14.848
15.659
16.473
17.292
18.114
18.939
19.768
20.599

19.337
20.337
21.337
22.337
23.337
24.337
25.336
26.336
27.336
28.336
29.336

28.412
29.615
30.813
32.007
33.196
34.382
35.563
36.741
37.916
39.087
40.256

31.410
32.671
33.924
35.172
36.415
37.652
38.885
40.113
41.337
42.557
43.773

34.170
35.479
36.781
38.076
39.364
40.646
41.923
43.195
44.461
45.722
46.979

37.566
38.932
40.289
41.638
42.980
44.314
45.642
46.963
48.278
49.588
50.892

39.997
41.401
42.796
44.181
45.559
46.928
48.290
49.645
50.993
52.336
53.672

45.315
46.797
48.268
49.728
51.179
52.620
54.052
55.476
56.892
58.301
59.703

35

ANNEXE A. TABLES DE VALEURS

M. NGUYEN

III. Loi de Student


F (t) = P(X t)
La table suivante contient les quantiles de la loi de Student avec degrs de libert. Pour tout
0 < p < 1, le quantile est la valeur de t pour laquelle P{X t} = p, o X St(). Ainsi
t = F1 (p).
Cette table ne contient que les quantiles pour des valeurs p 12 . Si p < 21 , les quantiles peuvent
tre obtenus par symmtrie de la loi : F1 (p) = F1 (1 p).

F (t)

t
p

0.6

0.7

0.75

0.8

0.85

0.9

0.95

0.975

0.99

0.995

0.999

0.9995

1
2
3
4
5
6
7
8
9

0.3249
0.2887
0.2767
0.2707
0.2672
0.2648
0.2632
0.2619
0.2610

0.7265
0.6172
0.5844
0.5686
0.5594
0.5534
0.5491
0.5459
0.5435

1.0000
0.8165
0.7649
0.7407
0.7267
0.7176
0.7111
0.7064
0.7027

1.3764
1.0607
0.9785
0.9410
0.9195
0.9057
0.8960
0.8889
0.8834

1.9626
1.3862
1.2498
1.1896
1.1558
1.1342
1.1192
1.1081
1.0997

3.0777
1.8856
1.6377
1.5332
1.4759
1.4398
1.4149
1.3968
1.3830

6.3138
2.9200
2.3534
2.1318
2.0150
1.9432
1.8946
1.8595
1.8331

12.706
4.3027
3.1824
2.7764
2.5706
2.4469
2.3646
2.3060
2.2622

31.821
6.9646
4.5407
3.7469
3.3649
3.1427
2.9980
2.8965
2.8214

63.657
9.9248
5.8409
4.6041
4.0321
3.7074
3.4995
3.3554
3.2498

318.31
22.327
10.215
7.1732
5.8934
5.2076
4.7853
4.5008
4.2968

636.62
31.599
12.924
8.6103
6.8688
5.9588
5.4079
5.0413
4.7809

10
11
12
13
14
15
16
17
18
19

0.2602
0.2596
0.2590
0.2586
0.2582
0.2579
0.2576
0.2573
0.2571
0.2569

0.5415
0.5399
0.5386
0.5375
0.5366
0.5357
0.5350
0.5344
0.5338
0.5333

0.6998
0.6974
0.6955
0.6938
0.6924
0.6912
0.6901
0.6892
0.6884
0.6876

0.8791
0.8755
0.8726
0.8702
0.8681
0.8662
0.8647
0.8633
0.8620
0.8610

1.0931
1.0877
1.0832
1.0795
1.0763
1.0735
1.0711
1.0690
1.0672
1.0655

1.3722
1.3634
1.3562
1.3502
1.3450
1.3406
1.3368
1.3334
1.3304
1.3277

1.8125
1.7959
1.7823
1.7709
1.7613
1.7531
1.7459
1.7396
1.7341
1.7291

2.2281
2.2010
2.1788
2.1604
2.1448
2.1314
2.1199
2.1098
2.1009
2.0930

2.7638
2.7181
2.6810
2.6503
2.6245
2.6025
2.5835
2.5669
2.5524
2.5395

3.1693
3.1058
3.0545
3.0123
2.9768
2.9467
2.9208
2.8982
2.8784
2.8609

4.1437
4.0247
3.9296
3.8520
3.7874
3.7328
3.6862
3.6458
3.6105
3.5794

4.5869
4.4370
4.3178
4.2208
4.1405
4.0728
4.0150
3.9651
3.9216
3.8834

20
21
22
23
24
25
26
27
28
29
30

0.2567
0.2566
0.2564
0.2563
0.2562
0.2561
0.2560
0.2559
0.2558
0.2557
0.2556

0.5329
0.5325
0.5321
0.5317
0.5314
0.5312
0.5309
0.5306
0.5304
0.5302
0.5300

0.6870
0.6864
0.6858
0.6853
0.6848
0.6844
0.6840
0.6837
0.6834
0.6830
0.6828

0.8600
0.8591
0.8583
0.8575
0.8569
0.8562
0.8557
0.8551
0.8546
0.8542
0.8538

1.0640
1.0627
1.0614
1.0603
1.0593
1.0584
1.0575
1.0567
1.0560
1.0553
1.0547

1.3253
1.3232
1.3212
1.3195
1.3178
1.3163
1.3150
1.3137
1.3125
1.3114
1.3104

1.7247
1.7207
1.7171
1.7139
1.7109
1.7081
1.7056
1.7033
1.7011
1.6991
1.6973

2.0860
2.0796
2.0739
2.0687
2.0639
2.0595
2.0555
2.0518
2.0484
2.0452
2.0423

2.5280
2.5176
2.5083
2.4999
2.4922
2.4851
2.4786
2.4727
2.4671
2.4620
2.4573

2.8453
2.8314
2.8188
2.8073
2.7969
2.7874
2.7787
2.7707
2.7633
2.7564
2.7500

3.5518
3.5272
3.5050
3.4850
3.4668
3.4502
3.4350
3.4210
3.4082
3.3962
3.3852

3.8495
3.8193
3.7921
3.7676
3.7454
3.7251
3.7066
3.6896
3.6739
3.6594
3.6460

36