Vous êtes sur la page 1sur 8

CHU Amiens IFTLM 2me anne 2012-2013

Statistique Cours 5

Tests statistiques, tests de comparaison

1 Principe des tests statistiques


Les tests statistiques (ou tests dhypothse) sont un outil des statistiques inductives : ils permettent
dextrapoler une population toute entire (ou deux populations) des rsultats connus seulement
sur un chantillon (ou deux chantillons) issu de cette (ou ces) population. Pour cela, un risque
(classiquement = 0, 05) est fix.
Plaons-nous dans le cas o lon compare les rsultats observs dune certaine mesure X dans une
mme exprience sur deux chantillons nots respectivement 1 et 2, chacun deux tant suppos repr-
sentatif de la population. A partir de ces rsultats observs, diverses quantits peuvent tre calcules,
les moyennes sur les chantillons m1 et m1 , les cart-types sur les chantillons s1 et s2 etc... Le pro-
blme est le suivant : on observe une diffrence entre les deux moyennes m1 et m2 , cette diffrence
est-elle statistiquement significative ? Autrement dit, peut-on en dduire avec un certain risque que les
moyennes sur les populations dont sont issus les chantillons, 1 et 2 , sont diffrentes ? Ou encore, les
deux chantillons proviennent-ils de la mme population ?

Exemple 1 Pour comparer deux mdicaments en fonction de leur activit tachycardisante (acclra-
trice du rythme cardiaque), on effectue un sondage dans une population de malades de faon grouper
n1 = 40 malades utilisant le premier mdicament et n2 = 30 malades utilisant le second mdicament.
On value ensuite pour chaque malade la diffrence y entre la frquence cardiaque une heure aprs la
prise et la frquence juste avant la prise. On obtient, pour des frquences exprimes en battements par
minute, les rsultats suivants pour la moyenne et la variance corrige
groupe x s2
1 7, 7 2
2 8, 6 6

Peut-on conclure avec une confiance de 98% quil y a une diffrence entre les mdicaments ?

1. Hypothse nulle H0 : cest lhypothse principale, que lon va supposer vraie pour faire le
test. Cest toujours une hypothse dgalit. Ici H0 : 1 = 2 . Supposer cette hypothse vraie
implique que les deux chantillons se comportent de la mme faon face lexprience.
2. Hypothse alternative H1 : cest une hypothse incompatible avec H0. Cela peut tre lhy-
pothse contraire 1 6= 2 en cas de test bilatral, ou bien une hypothse plus forte, 1 > 2 ou
1 < 2 , dans le cas dun test unilatral.
3. Erreur de premire espce : cest le risque, quon accepte de prendre, de conclure tort
une diffrence significative, cest donc la probabilit daccepter H1 sachant que H0 est vraie. Elle
est fixe priori (en gnral 0,05).
4. Erreur de deuxime espce : cest le risque de conclure une absence de diffrence signi-
ficative alors quelle existe, cest donc la probabilit de ne pas rejeter H0 sachant que H1 est
vraie.
5. Puissance du test = 1 : lorsque lon suppose que les deux populations dorigine ne sont
pas les mmes (H1), on doit clairement sattendre trouver une diffrence significative entre les
rsultats sur les chantillons, cest--dire rejeter H0, avec une probabilit dautant plus grande
que ltude est puissante. La puissance peut tre fixe a priori et peut servir calculer le nombre
de sujets ncessaires pour avoir un test assez puissant.
6. Degr de signification du test : en cas de rejet de lhypothse H0, ce paramtre mesure
la "force du rejet". Cest la probabilit que la diffrence observe sur les deux chantillons se
produise, si H0 est vraie. Cest aussi la plus petite valeur de avec laquelle on accepte H1. Elle
sobtient par lecture dans la table de lcart rduit a posteriori.
Rgle de dcision du test : il sagit dune rgle qui va nous pousser, en fonction des mesures
sur les chantillons, rejeter ou ne pas rejeter H0. Pour cela, on utilise une "statistique", cest--dire
une variable alatoire dont on connat la loi sous H0, et qui va mesurer la diffrence entre les deux
chantillons. Le calcul de cette variable sur lchantillon donne une valeur u, que lon compare une
valeur u , obtenue partir du risque de premire espce . Si cette diffrence u est assez grande u > u ,
on est amen rejeter H0 (RH0). Le raisonnement est le suivant : on suppose que H0 est vraie, on doit
donc sattendre, si on tient compte seulement du hasard, une diffrence u petite. Si cest le cas, on
ne rejette pas H0 (NRH0). Si ce nest pas le cas, cela signifie que la diffrence nest pas seulement due
au hasard mais quelle est statistiquement significative.
Il est noter quon ne dit jamais que H0 est vraie, mme dans le cas o on ne la rejette pas.

2 Tests de comparaison
On effectue ce type de tests lorsque lon compare les rsultats dune certaine mesure X entre un
chantillon et la population gnrale ou bien entre deux chantillons (tests quantitatifs), dune part,
ou bien lorsque lon compare la proportion dindividus qui possdent une certaine qualit X (tests
qualitatifs).
Rappel des notations

proportion moyenne variance cart-type variance corrige cart-type corrig


population, thorique p 2
chantillon fn m s2 s s2c sc

u tel que P(X > u ) = , o X suit une loi normale N (0; 1).
2

t,n1 tel que P(T > t,n1 ) = , o T suit une loi de Student n 1 degrs de libert.
2

2.1 Comparaison de deux proportions


2.1.1 Comparaison dune proportion observe une proportion thorique
Soit ppop la proportion dans la population dont est issu lchantillon. Les hypothses du test sont
H0 : ppop = p et H1 : ppop 6= p (pour un test bilatral).
Conditions de validit du test : np 5, n(1 p) 5
fn p
u= q |u| > u = RH0
p(1p)
n

Exemple 2 Sur un chantillon de 400 naissances dans une population de rongeurs, on a observ 206
206
mles, soit une frquence de mles de fn = = 0, 515. On se demande sil y a autant de mles que
400
de femelles dans la population, autrement dit, si la proportion de mles dans la population est p = 0, 5.
On peut effectuer le test statistique de H0 : p = 0, 5 contre H1 : p 6= 0, 5. On calcule
0, 515 0, 5
u= q = 0, 6
0,5(10,5)
400

Pour = 0, 05, on a u = 1, 96. Comme u ] u , u [, on ne peut pas rejeter H0 . Il est donc possible
que p = 0, 5.
2.1.2 Comparaison de deux pourcentages observs, chantillons indpendants
Soit pA,pop la proportion dans la population dont est issu lchantillon A (idem pour B). Les hypo-
thses du test sont H0 : pA,pop = pB,pop et H1 : pA,pop 6= pB,pop (pour un test bilatral).
Conditions de validit du test : nA pA 5, nA qA 5, nB pB 5, nB qB 5.
nA p A + nB p B pA pB
p= u= q |u| > u = RH0
nA + nB pq pq
nA + nB

Exemple 3 Dans une mme catgorie sociale, un chantillon de 40 hommes a fourni 8 fumeurs et un
chantillon de 60 femmes a fourni 18 fumeuses. On se demande si la proportion de fumeurs est la mme
pour les deux sexes. On peut considrer la situation suivante. Population 1 : hommes. Variable X1 :
tre fumeur, reprsent par une variable alatoire X1 de loi de Bernoulli B(p1 ) o p1 est la proportion
8
dhommes fumeurs. Echantillon de taille n1 = 40 Estimateur de p1 : f1 = = 0, 2. Population
40
2 : femmes. Variable X2 : tre fumeuse, reprsent par une variable alatoire X2 de loi de Bernoulli
B(p2 ) o p2 est la proportion de femmes fumeuses. Echantillon de taille n2 = 60. Estimateur de p2 :
18
estimation de p2 : f2 = = 0, 3. Les chantillons E1 et E2 sont indpendants.
60
Test bilatral de H0 : p1 = p2 contre H1 : p1 6= p2 .
On a n1 f1 = 8 > 5, n1 (1 f1 ) = 32 > 5, n2 f2 = 18 > 5 et n2 (1 f2 ) = 42 > 5.
n1 f1 + n2 f2
Sous lhypothse HO , en regroupant les deux chantillons, on peut estimer p par f1,2 = =
n1 + n2
8 + 18
= 0, 26. On calcule alors :
40 + 60
0, 2 0, 3
u= q = 1, 12.
1 1

40 + 60 0, 26(1 0, 26)

Avec = 0, 05, on obtient u = 1, 96 et comme u ] u , u [, on ne peut rejeter H0 . La proportion


de fumeurs ne diffre pas significativement entre les deux sexes. Pour cette dcision de non-rejet, on
ne connat pas la probabilit de se tromper (erreur de deuxime espce).

2.2 Comparaison de deux moyennes


2.2.1 Comparaison dune moyenne observe m une moyenne thorique , n 30
Soit pop la moyenne sur la population dont est issu lchantillon. Les hypothses sont H0 : pop =
et H1 : pop 6= (pour un test bilatral). La statistique utilise est

x
u= |u| > u = RH0

n

si est inconnue, on lestime par sc .

Exemple 4 Dans une usine du secteur de lagroalimentaire, une machine embouteiller est alimente
par un rservoir deau et par une file dapprovisionnement en bouteilles vides. Pour contrler le bon
fonctionnement de la machine, on veut construire un test dhypothse bilatral qui sera mis en oeuvre
toutes les heures. Pour une production dune heure, on suppose que la variable alatoire X qui toute
bouteille, prise au hasard dans cette production, associe le volume deau (en litres) quelle contient,
est une variable alatoire desprance et dcart-type inconnus. On considre que la machine est
bien rgle lorsque le volume deau moyen dans une bouteille est = 1, 5l. On a prlev un chantillon
de 100 bouteilles, et on a obtenu un volume deau moyen de 1, 495l et un cart-type corrig de 0, 01.
Peut-on conclure, au risque 5%, que la machine est bien rgle ?
On peut considrer la situation suivante. Population : bouteilles produites. Variable X : volume
deau, variable alatoire de moyenne et dcart-type = 0, 01. Echantillon E de taille n = 100.
Estimations ponctuelles x = 1, 495 et sc = 0, 01. On a un grand chantillon. On effectue un test
bilatral de H0 : = 1, 5 contre H1 : 6= 1, 5. On calcule
1, 495 1, 5
u= 0,01 = 5.

100

Pour = 0, 05, on obtient u = 1, 96. Comme u ] / u , u [, on rejette H0 avec une probabilit de 5%


de se tromper : la machine nest pas bien rgle.

2.2.2 Comparaison dune moyenne observe x


une moyenne thorique : n 6 30 et
population de distribution normale


x
t= |t| > t,n1 = RH0

n
si est inconnue, on lestime par sc .

2.2.3 Comparaison de deux moyennes observes x


A et x
B : chantillons indpendants,
nA 30 et nB 30
Soit A la moyenne sur la population dont est issu lchantillon A (idem pour B). Les hypothses
sont H0 : A = B et H1 : A 6= B (test bilatral).
xA x
B
u= r |u| > u = RH0
s2c,A s2c,B
nA + nB

Exemple 5 Pour comparer deux mdicaments en fonction de leur activit tachycardisante (acclra-
trice du rythme cardiaque), on effectue un sondage dans une population de malades de faon grouper
n1 = 40 malades utilisant le premier mdicament et n2 = 30 malades utilisant le second mdicament.
On value ensuite pour chaque malade la diffrence y entre la frquence cardiaque une heure aprs la
prise et la frquence juste avant la prise. On obtient, pour des frquences exprimes en battements par
minute, les rsultats suivants pour la moyenne et la variance corrige
groupe x s2
1 7, 7 2
2 8, 6 6
Peut-on conclure avec une confiance de 98% quil y a une diffrence entre les mdicaments ?

2.2.4 Comparaison de deux moyennes observes x A et xB : chantillons indpendants,


min(nA , nB ) < 30, distribution normale et galit des variances

(nA 1)s2c,A + (nB 1)s2c,B A x


x B
s2A,B = t= r |t| > t,nA +nB 2 = RH0
nA + nB 2 s2A,B s2A,B
nA + nB

Exemple 6 Le mylome se traduit par une prolifration des plasmocytes, ce qui provoque un accrois-
sement des globulines (protines du sang ayant fonction danticorps). On veut tester cet accroissement
chez des malades atteints de mylome un stade prcoce. A cet effet, on mesure en g/l les concen-
trations des globulines dans le sang dans un chantillon de tels malades, puis dans un chantillon de
personnes en bonne sant. On suppose enfin que dans la population toute entire, le taux de globuline
suit une loi normale.
chantillon de malades : taille 20, moyenne 50 g/l, cart-type 14 g/l
chantillon de personnes saines : taille 10, moyenne 40 g/l, cart-type 12 g/l
2.2.5 Comparaison de deux moyennes observes x A et x
B : chantillons apparis,
min(nA , nB ) < 30, distribution normale
On forme les diffrences et on compare la moyenne des diffrences 0. On est ainsi ramen la
comparaison dune moyenne observe une norme qui est 0.

Exemple 7 Chez un groupe de 10 malades, on exprimente les effets dun traitement destin dimi-
nuer la pression artrielle. On observe les rsultats suivants (valeur de la tension artrielle systolique
en cm Hg) :
sujet no 1 2 3 4 5 6 7 8 9 10
avant traitement 15 18 17 20 21 18 17 15 19 16
aprs traitement 12 16 17 18 17 15 18 14 16 18
On se demande si le traitement une action significative. On peut considrer la situation suivante.
Population 1 : malades avant traitement. Variable X1 : la tension, variable alatoire de moyenne 1
et de variance 12 . Echantillon E1 de taille n1 = 10.
Population 2 : malades aprs traitement. Variable X2 : la tension, variable alatoire de moyenne
2 et de variance 22 . Echantillon E2 de taille n2 = 10.
On a donc deux petits chantillons apparis extraitsde populations gaussiennes. On considre la
variable alatoire D = X1 X2 . A partir de lobservation de lchantillon (3, 2, 0, 2, 4, 3, 1, 1, 3, 2),
on obtient les estimations d = 1, 5 et sc , d2 = 1, 96.
On fait un test unilatral de H0 : 1 = 2 contre H1 : 1 > 2 . On calcule :
1, 5
t= 1,96 = 2, 42.

10

on compare cette valeur la valeur trouve dans la table de la loi de Student pour = 0, 05 et
= n 1 = 9, soit t0,05,9 = 1, 833. Comme t > t0,05,9 , on rejette H0 avec une probabilit de 5% de se
tromper. On conclut que la tension a diminu de manire significative aprs le traitement et donc que
ce denier a une action significative.

2.3 Test bilatral, test unilatral


Selon la manire dont la question est pose, on peut choisir de faire un test bilatral (erreur coupe
en deux) ou un test unilatral (erreur entirement du mme ct). Si la question est "peut-on conclure
que les deux moyennes diffrent significativement au risque 5% ?", le test sera bilatral. Si la question
est "peut-on conclure au risque 5% que la moyenne dans la population 2 est suprieure la moyenne
dans la population 1 ?", le test sera unilatral.
Pour un test bilatral, lhypothse H1 est du type p 6= p0 ou 6= 0 ou 1 6= 2 . La dfinition
de u (ou t ) est alors P(u < u < u ) = 1 .
Pour un test unilatral, H1 est du type p < p0 ou p > p0 ou 1 < 2 ou 1 > 2 . La dfinition de
u devient alors P(u < u ) = 1 pour une hypothse H1 du type p > p0 et P(u > u ) = 1
pour une hypothse H1 du type p < p0 .

3 Exercices
Exercice 1
Pour traiter un certain type de tumeur, on a utilis deux schmas thrapeutiques :
sur 40 malades traits avec le schma A, on a observ une mortalit 5 ans de 15% ;
sur 60 malades traits avec le schma B, on a observ une mortalit 5 ans de 25%.
Si lon considre la mortalit 5 ans, peut-on dire que les schmas A et B diffrent significativement
au risque 10% ? au risque 5% ?
Exercice 2
On suppose que chez les femmes non malades, la teneur en hmoglobine du sang (en g pour 100 mL)
est une variable alatoire de loi normale de moyenne 14,5 et dcart-type 1,1. Sur un chantillon de
20 femmes, on trouve une teneur moyenne en hmoglobine de 13,8 et un cart-type corrig de 1,2. Au
risque de 5%, peut-on conclure que la population de femmes dont est extrait cet chantillon prsente
une teneur en hmoglobine normale ? trop faible ?

Exercice 3
On compare les effets dun mme traitement dans deux hopitaux diffrents. Dans le premier hopital,
70 des 100 malades traits montrent des signes de gurison. Dans le deuxime hopital, cest le cas pour
100 des 150 malades traits. Quelle conclusion peut-on en tirer ?

Exercice 4
Des dosages de lacide aspartique total de lurine, en mg/24h, ont t effectus sur deux groupes
dadultes rgime alimentaire normal. Les dosages ont donn les rsultats suivants :

Hommes Femmes
Effectif du groupe 53 48
Moyenne 91, 13 112, 9
Ecart-type 30, 49 48, 99

1. Prciser la(les) population(s) et le(s) caractre(s) tudi(s), ainsi que la(les) taille(s) dchantillon.
Indiquer le(s) estimations(s) mises en jeu dans la suite.
2. Peut-on considrer, au risque 5%, que les deux populations tudies ont le mme dosage dacide
aspartique ? Justifier votre rponse.
3. Si les deux groupes avaient les mmes moyennes et cart-types que dans le tableau ci-dessus,
mais ntaient constitus que de 12 hommes et 10 femmes, chacun, pourrait-on encore appliquer
la mthode suivie au 2) ? En cas de rponse ngative, indiquer la dmarche suivre.

Exercice 5
La dure de gestation humaine est en moyenne de 40,5 semaines.
1. Dans une maternit, on a not lge gestationnel de 100 nouveaux-ns successifs. On a observ
une moyenne de 38,5 semaines et un cart-type de 5 semaines. On pense que cette maternit est
spcialise dans les accouchements prmaturs. Tester cette hypothse.
2. Dans cette mme maternit, les mres des 100 nouveaux-ns suivants ont reu un traitement
inhibant les contractions utrines. Pour ces nouveaux-ns, on a observ une moyenne de 39,5
semaines et un cart-type de 4 semaines. Tester lgalit des moyennes des dures de gestation
des 2 groupes au risque 2%.

     
 
N (0, 1)

 !#" Z $%'&)(+*-,.* /0*213$ (!,4% " $%'&)5 ! N (0, 1) *768&)9/:&<; &</ " ,4=5>&0,4$@?  %%'&)5A,
(!,45>&<$/B ?&C5A," D  %'E "3> %F ?&C/:G<9,4/ "3#"3> %H?&C5A,I5 ! %  /3;J,4 5>& (t) = P(Z < t) *
(t) 68&K1:&LE %'? ,4=5>&0,4$H? %%'&C5>&L1M(N,45>&<$/:1B?& 1 (t) O'9 $/ t > 3 *
0 t

t 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5754
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6627 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7122 0.7156 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7356 0.7389 0.7421 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7703 0.7734 0.7764 0.7793 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8079 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389

1.0 0.8414 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8622
1.1 0.8643 0.8665 0.8687 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8926 0.8943 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9083 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9193 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9485 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9648 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767

2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9874 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9895 0.9898 0.9901 0.9903 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9924 0.9926 0.9928 0.9930 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9944 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9958 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986

t 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
3. 135.105 968.106 687.106 483.106 337.106 233.106 159.106 108.106 723.107 481.107
4. 317.107 207.107 133.107 85.107 54.107 34.107 21.107 13.107 79.108 48.108
5. 29.108 17.108 10.108 58.109 33.109 19.109 11.109 60.1010 33.1010 18.1010
 
         

T

! #"%$ T &')(+*-,/.0, 12, 34& " *#.5' $ &')(76 #"98 ( :$ & 8 (;' $=< 8 (;>?1A@B3 8 (+6 "%C (;1 $ @?,
D ( $4$ ( $ . C 6E( 8 '')(?F!G &1IHAJ .#K:&)( 8 (;>?1A@ 8 (L6 "%C (;1 $ @ FM6E(B3N*?.56E(;&1A3 $ .BOM.5' $ 6P.
/2 /2
G1 #C . C" 6 "%$ @ 8RQTS;$ 1A( 8 @;G .#3A3A@B(B3UG .51 T (;'V*?.56E(;&1W. C 3 6%&)(YX = P(|T | > t) ,
t 0 t


0.90 0.50 0.30 0.20 0.10 0.05 0.02 0.01 0.001

1 0.158 1.000 1.963 3.078 6.314 12.71 31.82 63.66 636.6
2 0.142 0.816 1.386 1.886 2.920 4.303 6.965 9.925 31.60
3 0.137 0.765 1.250 1.638 2.353 3.182 4.541 5.841 12.92
4 0.134 0.741 1.190 1.533 2.132 2.776 3.747 4.604 8.610
5 0.132 0.727 1.156 1.476 2.015 2.571 3.365 4.032 6.869
6 0.131 0.718 1.134 1.440 1.943 2.447 3.143 3.707 5.959
7 0.130 0.711 1.119 1.415 1.895 2.365 2.998 3.499 5.408
8 0.130 0.706 1108 1.397 1.860 2.306 2.896 3.355 5.041
9 0.129 0.703 1.100 1.383 1.833 2.262 2.821 3.250 4.781
10 0.129 0.700 1.093 1.372 1.812 2.228 2.764 3.169 4.587
11 0.129 0.697 1.088 1.363 1.796 2.201 2.718 3.106 4.437
12 0.128 0.695 1.083 1.356 1.782 2.179 2.681 3.055 4.318
13 0.128 0.694 1.079 1.350 1.771 2.160 2.650 3.012 4.221
14 0.128 0.692 1.076 1.345 1.761 2.145 2.624 2.977 4.140
15 0.128 0.691 1.074 1.341 1.753 2.131 2.602 2.947 4.073
16 0.128 0.690 1.071 1.337 1.746 2.120 2.583 2.921 4.015
17 0.128 0.689 1.069 1.333 1.740 2.110 2.567 2.898 3.965
18 0.127 0.688 1.067 1.330 1.734 2.101 2.552 2.878 3.922
19 0.127 0.688 1.066 1.328 1.729 2.093 2.539 2.861 3.883
20 0.127 0.687 1.064 1.325 1.725 2.086 2.528 2.845 3.850
21 0.127 0.686 1.063 1.323 1.721 2.080 2.518 2.831 3.819
22 0.127 0.686 1.061 1.321 1.717 2.074 2.508 2.819 3.792
23 0.127 0.685 1.060 1.319 1.714 2.069 2.500 2.807 3.767
24 0.127 0.685 1.059 1.318 1.711 2.064 2.492 2.797 3.745
25 0.127 0.684 1.058 1.316 1.708 2.060 2.485 2.787 3.725
26 0.127 0.684 1.058 1.315 1.706 2.056 2.479 2.779 3.707
27 0.127 0.684 1.057 1.314 1.703 2.052 2.473 2.771 3.690
28 0.127 0.683 1.056 1.313 1.701 2.048 2.467 2.763 3.674
29 0.127 0.683 1.055 1.311 1.699 2.045 2.462 2.756 3.659
30 0.127 0.683 1.055 1.310 1.697 2.042 2.457 2.750 3.646
0.126 0.674 1.036 1.282 1.645 1.960 2.326 2.576 3.291