Applic Stat

Philippe TRIBOULET (Lyce Niepce Chalon sur Sane)
03/03/2007
APPLICATION DE LA STATISTIQUE AU TRAITEMENT DES DONNES AU LABORATOIRE D'ANALYSES ET EN FABRICATION
I/ INTRODUCTION
L'utilisation de la statistique pour le traitement des donnes est devenue fondamentale au laboratoire d'analyses et dans l'atelier de fabrication. Les exigences de l'assurance qualit rendent dsormais obligatoires la connaissance d'un certain nombre de notions statistiques simples. Ce document vise rpondre un certain nombre de problmes sur lesquelles vont s'articuler les diffrentes parties: dfinir les paramtres statistiques d'une srie de donnes reprsenter une distribution de frquences sous forme d'un histogramme normalis dfinir les caractristiques d'une loi normale et examiner ses limites dterminer si une mesure peut tre considre comme aberrante dterminer l'intervalle de confiance d'une mesure et prvoir comment l'amliorer envisager les risques pris dans un test statistique raliser les tests statistiques de base et montrer leurs nombreux domaines d'application prendre en compte la puissance d'un test statistique examiner si une corrlation existe entre deux grandeurs physico-chimiques On dfinit maintenant quelques notions gnrales : une srie statistique est une suite d'observations individuelles, donc par exemple une srie de mesures. un chantillon correspond un nombre fini de mesures : il s'oppose une population pour laquelle un nombre infini d'observations exprimentales devrait tre ralis. en statistiques une diffrence fondamentale existe entre une population de donnes dont on cherche dterminer les caractristiques et un chantillon qui correspond un effectif limit de donnes : on cherchera donc estimer des rsultats sur une population partir d'un chantillon. Le problme se pose de savoir dans quelle mesure les donnes recueillies sur l'chantillon peuvent renseigner sur la population d'origine. les erreurs suivantes ne sont pas du ressort d'une tude statistique : o erreurs systmatiques dues l'oprateur : par exemple rptition d'une erreur de prparation d'une solution due un manque de formation
-1-
Philippe TRIBOULET (Lyce Niepce Chalon sur Sane) o erreurs systmatiques dues l'instrument : par exemple dcalage d'une valeur de pH cause d'une solution talon pollue. o erreurs grossires: par exemple valeurs aberrantes obtenues en cas d'utilisation d'un mauvais ractif Toutes ces erreurs doivent tre limines au pralable avant d'effectuer une tude statistique valable.
03/03/2007
-2-
03/03/2007
II/ PARAMETRES STATISTIQUES D'UNE SRIE STATISTIQUE

Une srie statistique peut se caractriser par 2 grands types de paramtres: paramtres de position : ils donnent l'ordre de grandeur des observations et sont lis la tendance centrale de la distribution. paramtres de dispersion : ils montrent la manire dont les observations fluctuent autour de la tendance centrale. On trie dans l'ordre croissant les n valeurs xi : x1, x2 xn-1, xn
1/ Paramtres de position
mdiane : valeur de la variable telle qu'une moiti des valeurs lui soit suprieure ou gale et l'autre moiti des valeurs lui soit infrieure ou gale. Deux cas apparaissent suivant la parit de n. n impair : mdiane = x n +1
2
n pair : mdiane =
1 x x + n n +1 2 2 2
moyenne :
n : effectif total
x=
x
i=1
La moyenne est trs sensible aux valeurs extrmes.
2/ Paramtres de dispersion
quartiles : valeurs Q1, Q2 et Q3 de la grandeur mesure qui partagent la srie statistique en 4 parties d'effectifs peu prs identiques. Q2 est la mdiane. Le calcul de Q1 et Q3 diffre lgrement suivant les auteurs ou les logiciels. Par exemple EXCEL et MINITAB ne fournissent pas exactement les mmes valeurs. Ici on donne la mthode de dtermination de MINITAB.
n +1 n + 1 pour le rang de Q1 et 3 pour le rang de Q3 ; si ces 4 4 grandeurs ne sont pas des entiers, les quartiles ne sont donc pas des valeurs de la distribution. On ralise alors une interpolation.
On calcule
tendue interquartile : intervalle contenant la moiti de la population autour de la mdiane c'est dire Q3 Q1 tendue R : R = xmax - xmin
-3-
Philippe TRIBOULET (Lyce Niepce Chalon sur Sane) cart-type ' : le plus utilis des paramtres de dispersion L'tendue est beaucoup plus facile calculer mais elle donne une valeur trs imprcise de la "largeur de la rpartition" quand le nombre de valeurs est suprieur 10. En effet elle ne prend en compte que les deux valeurs extrmes. L'cart-type est beaucoup plus reprsentatif mais pour l'utiliser dans les cartes de contrles en production il faut alors plutt prvoir un calcul automatique.
03/03/2007
' =
(x i x )2
i =1
variance '2 : il s'agit de la moyenne des carrs des carts la moyenne. coefficient de variation CV : il reprsente une sorte d'cart-type relatif pour comparer les dispersions indpendamment des valeurs de la variable. Il s'exprime souvent en pourcentage.
CV =
cart type moyenne
Le coefficient de variation permet de comparer notamment la prcision de diffrents dosages effectus avec le mme appareil. Dans l'exemple suivant tir d'un laboratoire d'analyses mdicales, on analyse le taux de prothrombine dans le sang (exprim en %) ; un contrle est ralis sur deux valeurs de la gamme de dosage (valeur basse et valeur haute). On s'aperoit que la comparaison de l'cart-type amne une conclusion fausse : la mthode est en fait plus prcise pour des valeurs hautes du taux de prothrombine. Taux de prothrombine Contrle valeur basse Contrle valeur haute moyenne 38,3 95,9 cart-type 3,13 5,28 CV 8,2 % 5,5 %
3/ Autre reprsentation des donnes : "la bote moustaches"

Les botes moustaches permettent de comparer visuellement deux chantillons sur des critres de forme, de dispersion et de centrage des donnes. la bordure infrieure de la bote reprsente le premier quartile (Q1) et la bordure suprieure reprsente le troisime quartile (Q3). La portion du diagramme comprise dans la bote reprsente donc l'tendue interquartile ou la moiti centrale (50 %) des observations. la ligne horizontale qui traverse la bote reprsente la mdiane des donnes.
-4-
Philippe TRIBOULET (Lyce Niepce Chalon sur Sane) les lignes qui sortent de la bote sont appeles moustaches. Les moustaches s'tendent vers l'extrieur pour indiquer , leurs extrmits la valeur la plus basse et la valeur la plus haute dans la srie ( l'exception des valeurs aberrantes, voir IV). La bote moustaches permet aussi d'valuer la symtrie des donnes : lorsque les donnes sont symtriques, la ligne mdiane se situe peu prs au milieu de la bote interquartile et les moustaches sont de la mme longueur. si les donnes sont asymtriques, il se peut que la mdiane ne tombe pas au milieu de la bote interquartile et une moustache peut tre nettement plus longue que l'autre. application 1 : on considre deux lots de solutions talons en ions nickel II. On analyse par spectrophotomtrie 16 flacons de chaque lot qu'on souhaite comparer. A partir des concentrations du tableau suivant, on ralise une bote moustaches pour chaque lot.
Lot 1 1,0047 0,9911 Lot 2 0,9807 0,9838 1,0089 1,0057 0,9713 0,9911 0,9922 0,9901 0,9984 1,0099 0,9880 1,0277 0,9995 1,0172 1,0120 1,0120 0,9786 1,0068 0,9932 0,9880 0,9828 0,9870 1,0005 0,9995 0,9692 0,9723 1,0089 1,0057 0,9922 0,9943
03/03/2007
1,03 1,02 1,01 1,00 0,99 0,98 0,97 Lot 1 Lot 2 1,00260
Concentration en g/L
0,98905
Lot
Le lot 2 a une concentration moyenne plus faible que le lot 1; l'examen des botes interquartiles montre une rpartition plus symtrique des donnes du lot 2, au moins dans la partie centrale de la distribution. Le calcul des quartiles effectus l'aide de MINITAB montre les rsultats suivants :
-5-
03/03/2007
Lot Lot 1 Lot 2
Q1 0,9914 0,9791
Q2 1,0026 0,9891
Q3 1,0089 0,9992
Pour obtenir ces rsultats il faut classer les 16 valeurs de chaque lot. Pour le lot 1, on obtient la mdiane Q2 avec la relation donne plus haut :
Q2 =
1 1 = (x 8 + x 9 ) = 0,5 (1,0005 + 1,0047 ) = 1,0026 x 16 + x 16 +1 2 2 2 2

n +1 pour dterminer le rang 4
Pour le quartile Q1, l'application de la relation entrane une valeur de rang de
16 + 1 = 4,25 qui n'est pas entire. Donc Q1 s'obtient 4 par interpolation entre les valeurs x4 et x5 soit 0,9911 et 0,9922.
Donc Q1 = 0,9911 + (4,25 4 ) (0,9922 0,9911) = 0,9914 .
-6-
03/03/2007
III/ REPRESENTATION SOUS FORME D'HISTOGRAMME

Pour un nombre lev de mesures ou s'il y a plusieurs valeurs identiques, on regroupe parfois les valeurs de la srie statistique tudie en classes. Une distribution de frquences est un tableau des frquences associes ces classes. On doit noter nanmoins qu'il est prfrable de calculer les paramtres statistiques partir des valeurs individuelles plutt qu' partir des valeurs groupes en classes car on commet forcment une erreur en remplaant toutes les valeurs individuelles d'une classe par le centre de la classe. Un histogramme est une reprsentation graphique dans laquelle les rectangles reprsents ont des largeurs proportionnelles aux amplitudes des classes et des aires proportionnelles aux frquences de ces classes. L'histogramme permet de visualiser rapidement des donnes. Pour une reprsentation correcte d'un histogramme, il faut surtout viter d'utiliser un nombre de classes mal adapt. Des rgles rgissent la construction des histogrammes. nombre de classes k :
k n
avec n le nombre total de mesures.
Gnralement on ne dpasse pas 20 classes. intervalle de classe h :

R arrondi au multiple immdiatement k suprieur de la rsolution de mesure o R est l'tendue de mesure. h
limite infrieure de la premire classe :
xmin rsolution de mesure
application 2 : on mesure l'intrieur d'une cuve les valeurs de pH en dbut de prcipitation pour 60 cristallisations d'un sulfure mtallique. Les valeurs sont reportes dans le tableau suivant. Un histogramme est ensuite trac.
4,62 4,74 5,03 4,72 4,96 4,57 4,68 5,17 4,84 4,90 4,45 4,59 5,20 4,80 4,97 4,98 4,30 4,61 5,07 4,53 5,08 4,77 4,74 4,43 4,88 4,84 5,20 4,56 4,88 4,67 4,83 4,67 4,96 4,81 4,68 4,43 4,92 5,00 4,70 4,79 4,74 5,08 4,47 4,73 4,75 4,35 4,55 4,63 4,63 4,69 4,68 4,79 4,60 4,83 4,79 5,11 4,91 4,71 4,85 4,43
Le nombre de classe k est: L'tendue R est:
k = 60 8 R = 5,20 4,30 = 0,90
-7-

0,90 0,12 en arrondissant au multiple 8 immdiatement suprieur de la rsolution de mesure (0,01 ici). h=
03/03/2007
L'intervalle de classe h est:
La limite infrieure de premire classe est 4,30
0,5 . 0,01 = 4,295.
On en dduit alors le tableau suivant des classes et effectifs. Intervalle de classe 4,295 4,415 4,535 4,655 4,775 4,895 5,015 5,135 4,415 4,535 4,655 4,775 4,895 5,015 5,135 5,255 Effectif de la classe 2 6 9 15 12 8 5 3
15
10
Effectif
5 0 4,295 4,415 4,535 4,655 4,775 4,895 5,015 5,135 5,255
pH
Dans le cas o d'une utilisation d'un nombre de classes plus lev (12 par exemple), on obtiendrait l'histogramme suivant ce qui montre bien l'importance du nombre de classes dans l'aspect de l'histogramme.
-8-
03/03/2007
10
Effectif
0 4,3 4,4 4,5 4,6 4,7 4,8 4,9 5,0 5,1 5,2 5,3
pH
Les histogrammes permettent aussi de relever des anomalies: histogramme bimodal : il rvle une population htrogne compos d'un mlange de plusieurs populations. Ainsi on peut dceler dans une production livre un mlange de 2 lots. Dans l'exemple prcdent un facteur exprimental non contrl pouvant prendre deux valeurs (par exemple deux lots de matire premire) entrane deux "populations de pH".
10
Effectif
0 4,295 4,415 4,535 4,655 4,775 4,895 5,015 5,135 5,255
pH
-9-
Philippe TRIBOULET (Lyce Niepce Chalon sur Sane) histogramme tronqu aux extrmits : il peut rvler une suppression d'un certain nombre de valeurs exprimentales extrmes sur un document de fabrication afin par exemple de ne pas "sortir" des limites de contrles !
03/03/2007
15
10
Effectif
0 4,295 4,415 4,535 4,655 4,775 4,895 5,015 5,135 5,255
pH
- 10 -
03/03/2007
IV/ TEST DE VALEURS ABERRANTES

Les botes moustaches peuvent galement aider reprer les valeurs aberrantes. Pour le logiciel MINITAB une valeur est considre comme aberrante si la valeur absolue de l'cart avec Q1 ou Q3 est suprieure plus de 1,5 fois l'tendue interquartile. L'examen des valeurs aberrantes avec les botes moustache est donc possible mais ce n'est qu'une mthode "qualitative". Plusieurs tests sont utiliss pour dtecter des valeurs aberrantes. Le test de Dixon examine si la valeur souponne d'tre aberrante peut appartenir avec un risque donn une population normale : il exige donc une distribution normale des valeurs. On prsente le test de Dixon pour la recherche dune seule valeur aberrante. On commence par classer dans l'ordre croissant les valeurs de x1 xn et suivant la valeur aberrante tudie on dtermine les fonctions discriminantes r1 et r2. x1 est douteux n 10 xn est douteux
x x1 r1 = 2 x n x1 r2 = x 3 x1 x n 2 x1
x x n 1 r1 = n x n x1 x xn 2 r2 = n xn x3
n > 10
Les valeurs des tables pour r1 et r2 sont les valeurs limites (aux risques de 1 et 5 %) pour considrer que les valeurs appartiennent des populations normales. Si les valeurs calcules sont suprieures alors une des valeurs est aberrante ou la population n'est pas normale. De toute manire un rsultat ne doit jamais tre rejet sans recherche d'une explication de l'anomalie.
remarque : dans le cas de deux valeurs douteuses la mthode est lgrement diffrente. si on suspecte x1 et xn d'tre aberrantes, alors on applique successivement le test prcdent aux deux valeurs avec la fonction r2. n doit tre suprieur 10 pour appliquer le test. si on suspecte les deux valeurs les plus leves (xn-1 et xn) ou les deux plus faibles (x2 et x1), on applique le test xn-1 ou x2 sans s'occuper de xn ou de x1. Les fonctions discriminantes r2' sont les suivantes:
r2 ' = x 4 x2 x n2 x 2
pour x2
r2 ' =
x n1 x n3 x n1 x 3
pour xn-1
Les valeurs sont considres comme aberrantes si r2' calcule est suprieure la limite donne par la table de r2 pour n-1 valeurs. Dans le cas contraire on reprend le test initial en testant xn ou x1 comme valeurs aberrantes. Le test s'applique ici pour n suprieur 11.
- 11 -
Philippe TRIBOULET (Lyce Niepce Chalon sur Sane) application 3 : on considre une srie classe de 18 volumes de chute de burette (exprims en mL) lors du dosage d'ions sulfate par conductimtrie. On veut tester si la valeur la plus leve ou la valeur la plus basse sont des valeurs aberrantes. On ralise une bote moustaches puis le test de Dixon.
9,45 9,72 9,75 9,76 9,77 9,78 9,80 9,82 9,83 9,84 9,85 9,86 9,89 9,90 9,93 9,93 9,94 10,10
03/03/2007
On obtient la bote moustaches suivante:
9,4
9,5
9,6
9,7
9,8
9,9
10,0
10,1
volume
Q1 = 9,7675 et Q3 = 9,9075 donc Q3 + 1,5 . (Q3 - Q1) = 10,12 et Q1 - 1,5 . (Q3 - Q1) = 9,56
La donne de 9,45 apparat donc comme aberrante car elle est distante de Q1 de plus de 1,5 fois la distance interquartile. Par contre la valeur de 10,10 n'est pas considre comme aberrante de trs peu car une valeur de 10,12 le serait ! On construit le test de Dixon en prenant un risque de 5 %. valeur infrieure 9,45 : r2 =
9,75 9,45 = 0,625 > 0,475 (valeur pour n = 18) 9,93 9,45
9,45 est considr avec ce test aussi comme une valeur aberrante.
- 12 -
Philippe TRIBOULET (Lyce Niepce Chalon sur Sane) valeur suprieure 10,10 :
03/03/2007
r2 =
10,1 9,93 = 0,486 > 0,475 (valeur pour n = 18) 10,1 9,75
10,10 est considr avec ce test comme une valeur aberrante mais on est proche de la limite la valeur n'est plus considre comme aberrante si on dcide de limiter le risque 1 % (il existe un risque de 1% de considrer 10,10 comme aberrante alors qu'elle ne l'est pas). Il est ncessaire donc d'tre prudent avec les valeurs aberrantes dans l'utilisation des tests ; nanmoins mme si les outils statistiques ne donnent pas forcment la mme conclusion, ils ont le mrite d'apporter une information bien suprieure un simple examen forcment subjectif des donnes.
- 13 -
03/03/2007
V/ LOI NORMALE (LOI DE GAUSS)

rappel : une variable alatoire X est une variable qui prend ses valeurs au hasard parmi un ensemble fini ou infini de valeurs possibles. On parle de variable alatoire continue quand les valeurs possibles de la variable ont une distribution continue. Ceci correspond au cas des mesures.
Cette loi est la plus importante en statistiques: elle s'applique tout phnomne dans lequel la fluctuation de la variable alatoire continue est due un grand nombre de petites causes indpendantes dont les effets s'additionnent. Donc les rsultats de mesures seront distribus selon une loi de Gauss si les conditions suivantes sont remplies : les causes d'erreur sont nombreuses et indpendantes les erreurs sont du mme ordre de grandeur (pas d'erreur prpondrante)
On peut donner comme exemple de causes pour l'talonnage d'une solution de soude : vibrations et courants d'air pendant la lecture de la masse sur la balance transvasement de la masse de solide dans l'erlenmeyer pour la dissolution rglage du zro de la burette quantit d'indicateur color utilis apprciation visuelle du virage de l'indicateur apprciation visuelle du volume de solution de soude dans la burette Si x est une valeur particulire prise par la variable alatoire, la densit de probabilit f(x) de la loi normale N (m,) est donne par :
(x m )2
2 2
f (x) =
1 2
o m et sont respectivement la moyenne et l'cart-type de la population. On peut tracer la courbe des probabilits cumules (courbe de la fonction de rpartition). L'intgration de cette fonction sur ] ;+[ correspond graphiquement l'aire totale sous la courbe : on obtient videmment la valeur de 1. Dans l'exemple ci-dessous, on reprsente la densit de probabilit et la fonction de rpartition pour une mesure de volume de dosage de moyenne m = 12 mL et d'cart-type gal 0,07 mL.
- 14 -
03/03/2007
6 5 4 3 2 1 0 11,75 densit de probabilit probabilits cumules
1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 11,8 11,85 11,9 11,95 12 12,05 12,1 12,15 12,2 0 12,25
volume (mL)
On remarque la symtrie de cette fonction par rapport m. La courbe de densit de probabilit montre que toutes les valeurs ne sont pas quiprobables mme si toutes peuvent tre observes ; la probabilit d'observer une valeur donne est d'autant plus faible qu'elle s'loigne de la moyenne. intervalle centr sur m m m 1,64 m 1,96 m2 m 2,57 m3 probabilit 68,3 % 90 % 95 % 95,4 % 99 % 99,7 %
Toute loi normale N (m,) peut se ramener la loi normale centre rduite N xm (0,1) par le changement de variable u = . Ceci permet d'utiliser les tables de cette loi normale centre rduite pour rsoudre des problmes sur une distribution normale quelconque. La densit de probabilit y de la loi normale centre rduite est donne par :
y = f ( u) = 1 2 e
u2 2
La fonction de rpartition F(u) est telle que:
F(-u) = 1 - F(u)
Dans le tableau suivant on donne pour diffrents intervalles les probabilits pour qu'une mesure de volume se trouve l'intrieur des intervalles cits.
- 15 -
03/03/2007
application 4 : un produit alimentaire est fabriqu avec une teneur maximale x de 15 ppm en un compos que les autorits alimentaires souhaitent rduire 10 ppm en deux ans. L'historique de la fabrication montre que sur quatre ans de production la teneur moyenne dans un lot est de 7,2 ppm avec un cart-type de 1,2 ppm. On souhaite examiner si les modes actuels de production permettent d'atteindre l'objectif provisoire fix de ne pas dpasser la nouvelle spcification dans plus de 1 lot sur 100.
- 16 -
Philippe TRIBOULET (Lyce Niepce Chalon sur Sane) Il faut chercher la probabilit de dpasser 10 ppm. On admet que la distribution des teneurs suit une loi normale. Pour utiliser les tables on travaille avec la loi normale rduite en effectuant le changement de variable suivant:
03/03/2007
x 7,2 soit donc si x = 10 ppm alors u = 2,33. On dtermine avec la table que 1,2 F(2,33) = 0,9901. u=
Par consquent la probabilit de dpasser 10 ppm est 1 F(2,33) = 0,0099
On dpassera donc 10 ppm dans moins de 1 cas sur 100: l'objectif est donc atteint. On montre en fait que la distribution gaussienne ne s'applique que pour des chantillons dont l'effectif est suprieur 30 : en dessous la loi de Student s'applique. L'allure de la courbe de densit de probabilit pour la loi de Student est proche de celle d'une loi normale. La loi de Student de variable t dpend d'un paramtre (entier > 0) nomm nombre de degrs de libert. Dans le tableau suivant on indique pour diffrents effectifs d'chantillon la valeur de la variable alatoire pour laquelle on cumule 95 % de la distribution. On vrifie ainsi que pour un effectif suprieur 30, la diffrence entre les deux lois devient ngligeable pour les applications. effectif 5 15 30 50 loi normale (u) 1,64 1,64 1,64 1,64 loi de student (t) 2,13 1,76 1,70 1,68
De nombreux tests statistiques exigent pour leur validit de vrifier que les chantillons utiliss obissent une loi normale. Il existe dans les logiciels statistiques plusieurs tests qui vrifient cette adquation. Ils ncessitent avant utilisation de consulter avec soin les aides fournies pour bien interprter le critre de dcision. On peut citer les tests de Anderson-Darling, Shapiro-Wilk et KolmogorovSmirnov. Suivant les tests il faut utiliser les valeurs individuelles ou les valeurs regroupes en classes. On doit aussi signaler que si un phnomne ne vrifie pas une loi normale ceci peut recler une information intressante. Dans l'exemple suivant (voir rfrence bibliographique 1), on examine l'hygromtrie de pices en bois de htre laisses en phase de schage. A partir des donnes reprsentes sous forme d'histogramme, on remarque une asymtrie de la distribution laissant pressentir qu'elle ne suit pas une loi normale ... ce que confirment les tests de normalit. La conclusion de l'tude est en fait que le processus d'quilibrage hygromtrique du bois avec le milieu extrieur n'est pas termin. Quand il sera atteint, la distribution deviendra normale.
- 17 -
03/03/2007
30
20
Effectif
10
0 14 16 18 20 22 24 26 28
Hygromtrie (%)
- 18 -
03/03/2007
VI/ ESTIMATIONS A PARTIR D'UN ECHANTILLON

Soit X une variable alatoire d'une population suivant une loi normale. La moyenne X de cette variable alatoire X (calcule sur des chantillons de mme taille n) est elle-mme une variable alatoire suivant une loi normale. On note m et respectivement la moyenne et l'cart-type de la population. Pour les valeurs mesures sur un chantillon d'effectif n on utilise x et '. On emploie s pour l'carttype de la population estim partir de l'chantillon. On cherche donc estimer m et partir des rsultats tirs d'un chantillon. Parfois on peut connatre grce des mesures tires d'un historique de fabrication.
1/ Estimations ponctuelles de la moyenne et de l'cart-type

La meilleure estimation ponctuelle de la moyenne m de la population est de prendre la moyenne x de l'chantillon. L'estimation ponctuelle s de l'cart-type de la population est obtenue avec la relation suivante qui prend en compte l'effectif de l'chantillon: plus l'effectif est important, plus l'cart-type ' de l'chantillon se rapproche de s et donc de la valeur recherche pour la population. En effet dans les chantillons la dispersion est sousestime puisque des valeurs "manquent".
s=
n ' n 1
soit s =
(x
i=1
x)
n 1
2/ Estimation par intervalle de confiance de la moyenne

On cherche raliser une estimation de la moyenne par intervalle de confiance: cet intervalle contiendra la moyenne dans (1-) % des cas, soit un risque de % que cet intervalle ne comprenne pas la moyenne du fait des fluctuations dues l'chantillonnage. On distingue deux cas:
2.1/ Variance 2 connue

Pour n assez grand (en pratique suprieur 30), on montre que la variable alatoire X suit une loi normale de moyenne m et d'cart-type . n
- 19 -
03/03/2007
suit une loi normale / n centre rduite o x est une moyenne particulire d'un chantillon. D'aprs les valeurs de la loi normale N(0,1), on en dduit alors que 95 % des intervalles suivants comprennent la valeur u.
On en dduit que la variable u dfinie par u =
x m
1,96 u +1,96 donc 1,96

n n
xm / n
+1,96
soit
x 1,96
m x + 1,96
avec un niveau de confiance de 95 %
Si on considrait un grand nombre d'chantillons d'effectif n (on ralise n mesures par chantillon), dans 95 % des cas l'intervalle de confiance calcul prcdemment encadre la moyenne. On a un risque de 5 % que la moyenne ne soit pas comprise dans cet intervalle. Pour un risque de 10 %, l'intervalle de confiance s'crit :
x 1,64
m x + 1,64
2.2 / Variance 2 inconnue

Or la plupart du temps l'cart-type de la population n'est pas connu en ralit; on considre donc s qui est l'cart-type de la population estim partir d'un
- 20 -
Philippe TRIBOULET (Lyce Niepce Chalon sur Sane) xm
03/03/2007
chantillon. Dans ce cas la quantit t =
suit une loi de Student de paramtre s/ n gal au nombre de degrs de libert utiliss pour la dtermination de s soit n-1.
Si on choisit un risque , alors on recherche dans la table de Student la valeur de t telle que F(t) = 1 o F est la fonction de rpartition de la loi de Student. ,1 2 2 L'intervalle de confiance de m est alors:
xt
,1 2
s n
mx+t
,1 2
s n
Pour n suprieur 30, on montre qu'il est possible de remplacer la loi de Student par la loi normale centre rduite. Pour un risque de 5 %, l'intervalle de confiance prcdent devient alors:
x 1,96
s n
m x + 1,96
s n
application 5 : Pour obtenir une certification un laboratoire d'analyses de traces souhaite dterminer l'intervalle de confiance d'une concentration en ppb d'un contaminant. Les 16 mesures ralises sont regroupes dans le tableau suivant.
33,3 32,5 33,5 32,7 33,2 33,3 32,5 33,4 32,7 32,6 32,8 33,2 33,4 33,0 32,3 33,1
Aprs avoir vrifi qu'il n'y avait pas de valeur aberrante, on dtermine la moyenne puis l'intervalle de confiance de cette moyenne avec un risque de 5 %. L'cart-type tant inconnu et le nombre de valeurs tant infrieur 16, on utilise la loi de Student avec 16-1 soit 15 degrs de libert. D'aprs les donnes, on trouve x = 32.97 ppb et s = 0,3825 ppb comme estimations ponctuelles. A l'aide de la table de Student on en dduit: t
16 1,1 0,05 2
= t 15, 0,975 = 2,13
32,97 2,13
0,3825 16
m 32,97 + 2,13
0,3825 16
donc 32,8 m 33,2
3/ Choix du risque et du nombre d'essais

Les relations prcdentes montrent que plus le risque choisi est grand, plus l'intervalle de confiance est troit. Les limites de l'intervalle de confiance dpendent
- 21 -
Philippe TRIBOULET (Lyce Niepce Chalon sur Sane) donc seulement des exigences de l'exprimentateur quant l'importance qu'il attache la prcision. Dans le cas de l'utilisation de la loi normale on obtient ainsi des intervalles pour m gaux x pour un risque de 32 % et x 3 pour un risque de 0,3 %. On ne peut donc avoir la fois un intervalle de confiance troit et une grande certitude sur celui-ci. Un intervalle large est "trs sr" mais il n'apporte aucune information prcise sur la valeur recherche. Dans tous les cas l'intervalle de confiance de la moyenne est d'autant plus troit que l'effectif de l'chantillon est important. Pour un risque choisi, ceci revient s examiner les termes ou (termes appels parfois erreurs type de la n n moyenne dans les logiciels de statistique). Ainsi si on souhaite diviser par deux l'incertitude relative, il faut donc multiplier le nombre d'essais par 4 ce qui conduit privilgier soit la recherche de prcision, soit l'conomie de travail ! Cet arbitrage ncessaire est une constante dans toutes les tudes statistiques.
03/03/2007
4/ Estimation par intervalle de confiance de l'cart-type

Cette estimation ncessite lutilisation dune loi statistique particulire dite loi du "Khi deux" note 2 et dfinie pour un degr de libert donn. L'intervalle de confiance de l'cart-type au risque est donn par la relation suivante avec un degr de libert pour 2 de n-1. Dans cette expression figure s l'cart-type de la population estim partir de l'chantillon.
(n 1) s 2
2 ,1 / 2
(n 1) s 2
2 , / 2
Les valeurs de 2 s'obtiennent dans la table pour les valeurs de /2 et 1-/2 choisies. On remarquera que contrairement la moyenne l'intervalle de confiance n'est pas symtrique par rapport l'estimation ponctuelle s. application 6 : On reprend les donnes de l'application 5. On recherche l'intervalle de confiance pour l'cart-type de la concentration en contaminant avec un risque de 5 %. On utilise la loi 2 avec un degr de libert de 16 1 = 15 degrs de libert.
2 2 A l'aide de la table de 2 on trouve: 16 1,1 0,05 / 2 = 27,49 et 16 1, 0,05 / 2 = 6,26
(16 1) 0,3825 2
27,49
(16 1) 0,3825 2
6,26
donc 0,28 0,59
- 22 -
03/03/2007
VII/ PRINCIPE DES TESTS STATISTIQUES 1/ Gnralits sur les tests

Un test statistique permet de prendre une dcision partir d'informations recueillies sur un chantillon. Les tests visent dterminer si une caractristique (moyenne ou cart-type) tire d'un chantillon est identique une rfrence (un standard) ou celle d'un autre chantillon. Ceci correspond par exemple aux deux cas suivants: comparaison d'une caractristique physico-chimique d'un nouveau produit une valeur fixe par le cahier des charges ; on examine si l'cart entre la valeur mesure partir de l'chantillon et la valeur standard est significatif c'est dire s'il ne peut pas s'expliquer uniquement par le caractre alatoire des mesures effectues seulement sur un chantillon. comparaison d'une caractristique physico-chimique d'un produit obtenu par deux procds diffrents ; on examine si les valeurs obtenues partir d'un chantillon pour chaque procd montrent un cart significatif ou si la diffrence peut s'expliquer par le caractre alatoire des mesures.
La dcision prise partir du test a un caractre alatoire et dans tous les cas un certain risque est li cette dcision.
2/ Construction et exploitation d'un test

Une hypothse H0 (dite hypothse nulle) est faite sur une caractristique de l'chantillon. Cette hypothse s'nonce en disant que l'cart mesur entre la valeur de la caractristique pour l'chantillon et la valeur de la caractristique du standard ou de l'autre chantillon, est du uniquement des fluctuations alatoires. Une hypothse H1 (dite hypothse alternative) est construite: elle correspond une hypothse oppose l'hypothse H0. On dfinit alors un risque (risque de premire espce) qui est le risque de rejeter H0 alors que cette hypothse est vraie. Couramment on choisit un risque de 5 %. On calcule ensuite la probabilit d'observer l'cart mesur et on applique la rgle de dcision suivante : si la probabilit est suprieure au risque , on accepte H0 comme n'tant pas invraisemblable et on en dduit que l'cart n'est pas significatif.
si la probabilit est infrieure au risque , H0 est rejete car il apparat invraisemblable que l'cart soit caus par la seule cause du hasard. Nanmoins un cart suprieur peut parfaitement apparatre dans moins de % des cas : c'est le risque du test.
- 23 -
Philippe TRIBOULET (Lyce Niepce Chalon sur Sane) En conclusion rejeter l'hypothse nulle H0 revient accepter l'hypothse alternative H1. On examine maintenant un exemple : la caractristique d'un procd ancien A est gale mA. Un nouveau procd B fournit une valeur de mB pour cette caractristique. Le test vise dterminer si les procds conduisent des valeurs diffrentes de la caractristique. On btit alors les hypothses H0 et H1. H0 : mA = mB soit mA - mB = 0 H1 : mA mB soit mA - mB 0
03/03/2007
On admet ici que les diffrences mA - mB pouvant tre observes suivent une loi normale de moyenne nulle. On peut alors tracer la reprsentation graphique suivante:
Il s'agit dans cette tude d'un test bilatral: les diffrences mA - mB pouvant a priori tre positives ou ngatives, le risque sera donc partag de chaque ct de la distribution avec une probabilit / 2. On dfinit deux zones et on prend une dcision suivant la valeur observe de la diffrence mA - mB mesure partir de deux chantillons. Dcision 1 : si mA - mB appartient la zone de rejet, on rejette l'hypothse H0 et on accepte l'hypothse alternative H1. Dcision 2 : si mA - mB appartient la zone d'acceptation, on accepte l'hypothse H0. Statistiquement la diffrence n'est pas juge significative.
- 24 -
03/03/2007
3/ Les deux types de risque et la puissance d'un test

Les deux dcisions prcdentes prsentent un certain risque de conclure tort. Dcision 1 : on rejette H0 cause d'une diffrence mA - mB importante mais dans % des cas il est effectivement possible d'observer une telle diffrence du fait de fluctuations alatoires. L'hypothse H0 correspond donc la ralit : il n'y a en fait pas de diffrence entre les deux procds. Dcision 2 : on accepte H0 mais il y a % de cas o la valeur de la diffrence mA - mB se place dans la zone d'acceptation de H0 du fait des fluctuations du hasard. Dans ce cas l'hypothse H1 correspond donc la ralit. On dfinit donc les risques et : Risque (risque de premire espce) : conclure une diffrence inexistante Risque (risque de seconde espce) : conclure une galit alors qu'il existe une diffrence. On dfinit la puissance d'un test par 1 : c'est la probabilit de dtecter une diffrence mA - mB = dans le cas d'une diffrence relle.
- 25 -
Philippe TRIBOULET (Lyce Niepce Chalon sur Sane) On rsume les diffrentes possibilits dans le tableau suivant :
03/03/2007
Ralit Dcision prise

H0 vraie H0 fausse
dcision correcte H0 accepte

(1 - ) % des cas
dcision errone
% des cas
dcision errone H0 refuse

% des cas
dcision correcte
(1 - ) % des cas
remarque : est nomm parfois seuil de signification et 1 est nomm galement niveau de confiance.
Le risque est fix par l'exprimentateur (donc contrlable) mais le risque dpend de l'existence et de la valeur de la diffrence. Il faut insister sur le point que la ralit reste toujours inconnue pour l'exprimentateur On constate d'aprs la figure prcdente que si la diffrence (quand elle existe !) entre les deux procds est faible alors le risque augmente pour un risque fix. De plus pour une mme diffrence avec un risque fix, le risque va diminuer si on parvient diminuer la variabilit des procds. Deux illustrations des risques et peuvent tre donnes : Risques client fournisseur
On analyse un lot pour vrifier sa conformit par rapport aux spcifications. On construit un test avec les hypothses H0 et H1 suivantes. H0 : le lot est conforme au standard H1 : le lot n'est pas conforme au standard le risque correspond au risque du fabricant : conclure une diffrence qui n'existe pas et donc rejeter un lot de fabrication correct. L'enjeu financier est important. le risque correspond au risque du client : ne pas pouvoir dtecter une diffrence qui existe et donc accepter un lot dfectueux. Si la pice est alors intgre dans un ensemble et le rend dfectueux, le cot de la non-qualit devient trs lev.
- 26 -
Philippe TRIBOULET (Lyce Niepce Chalon sur Sane) Risques dans la modification d'un procd On modifie un procd pour diminuer son cot. On vrifie ensuite si une caractristique finale du produit est modifie. Le tableau ci-dessous illustre les diffrentes situations pour les hypothses H0 et H1 suivantes. H0 : le nouveau procd n'entrane pas de modification de la caractristique tudie H1 : le nouveau procd modifie la caractristique tudie
03/03/2007
risque
dcision
ne pas modifier
consquences produit qualit cot
le procd pas de changement
identique l'ancien procd
modifier le procd dgradation non qualit
cot procd cot non qualit
Dans certains cas la plus grave consquence d'une erreur dans la dcision est de ne pas modifier le procd sans qu'il y ait en ralit de diminution de la qualit avec le nouveau procd. On risque alors de se priver d'une diminution des cots. On peut diminuer ce risque en le fixant par exemple 1 %. En revanche si le risque prsente les inconvnients les plus graves (par exemple ne pas s'apercevoir d'une diminution de la qualit finale du produit la suite d'une modification de procd), il faut le diminuer en utilisant des chantillons plus importants pour diminuer la variabilit naturelle des mesures et donc pouvoir dtecter une diffrence, mme assez faible.
4/ Test unilatral
Les tests raliss dans les paragraphes prcdents sont dits bilatraux: il y a autant de chances a priori que l'cart mA - mB soit positif ou ngatif. Le risque est alors partag aux deux extrmits de la zone d'acceptation. Il est parfois ncessaire de construire des tests unilatraux. Le test unilatral est choisi quand l'cart dans un sens est soit physiquement impossible soit sans intrt ou inconvnient pour le problme pos. Dans ce cas le risque est intgralement report une des extrmits du domaine.
- 27 -
Philippe TRIBOULET (Lyce Niepce Chalon sur Sane) On peut citer deux exemples o un test unilatral s'impose : on amliore une mthode d'analyse en utilisant un spectrophotomtre beaucoup plus performant : on tudie la dispersion des mesures qui ne peut qu'tre infrieure la variabilit de l'ancienne mthode. on diminue la dure d'un procd pour des raisons de cot mais on ne veut pas pour autant diminuer la rsistance la rupture du matriau fabriqu : on tudie la rsistance pour une dure plus courte en examinant si elle n'est pas plus faible qu'avec l'ancien procd. On construit donc deux types de test en reprenant l'exemple du 2/ avec la comparaison des procds A et B. test unilatral droite H0 : mA = mB test unilatral gauche H0 : mA = mB H1 : mA < mB soit mA - mB < 0 H1 : mA > mB soit mA - mB > 0
03/03/2007
Les figures suivantes rsument les deux tests.
- 28 -
03/03/2007
- 29 -
03/03/2007
VIII/ TESTS USUELS

On utilise par dfaut un risque de 5%.
1/ Comparaison d'une moyenne mA une valeur standard m0

Une application courante de ce test est la vrification sur un chantillon qu'une modification de procd permet soit de conserver la mme caractristique du produit qu'auparavant soit d'atteindre une nouvelle spcification. On considre dans une population suivant une loi normale un chantillon d'effectif nA qui fournit une estimation x A de la moyenne mA de la population. On cherche comparer la moyenne inconnue mA de la population avec un standard m0.
1.1/ Variance de la population 2 connue

est l'cart-type connu de la population. On suppose que la moyenne des chantillons obit une loi normale N(mA, A ). Suivant le type de test, bilatral ou nA unilatral, on dfinit alors les hypothses et les rgles de dcision. A partir de l'intervalle de confiance dfini pour mA, la dmarche consiste vrifier si x A appartient l'intervalle. test bilatral : H0: mA = m0 H1: mA m0
Pour l'hypothse H0, la moyenne des chantillons obit une loi normale N(m0, A ). nA H0 est vrifie si :
m 0 1,96 A nA x A m0 + 1 ,96 A nA
Si x A n'appartient pas l'intervalle de confiance de m0, alors on en dduit que l'hypothse o la moyenne mA est gale m0 peut tre rejete avec un risque de 5 %. - 30 -
03/03/2007
remarque : les logiciels statistiques testent souvent la mme condition sous la forme suivante pour lhypothse H0 :
x A 1,96
A nA
m0 x A + 1,96
A nA
test unilatral droite : H0 est vrifie si :
H0: mA = m0
x A < m0 + 1,64 A nA
H1: mA > m0
remarque : Lhypothse H0 est teste par certains logiciels sous la forme :
m 0 > x A 1,64
A nA
test unilatral gauche : H0 est vrifie si :
H0: mA = m0
x A > m 0 1,64 A nA
H1: mA < m0
1.2/ Variance de la population 2 inconnue

Cest le cas le plus courant. On considre sA l'cart-type de la population estim partir de lchantillon. Dans ce cas on utilise une loi de Student de
- 31 -
Philippe TRIBOULET (Lyce Niepce Chalon sur Sane) paramtre gal au nombre de degrs de libert intervenant dans la dtermination de sA soit nA-1. Les tests du 1.1/ pour x A sont similaires en remplaant par sA et les valeurs de 1,96 par t pour le test bilatral et 1,64 par t ,1 pour le test
,1 2
03/03/2007
unilatral (pour un risque ). test bilatral : H0 est vrifie si : m 0 t

,1 2
sA nA
x A m0 + t
,1 2
sA nA
test unilatral droite :
H0 est vrifie si :
x A < m0 + t ,1
sA nA sA nA
test unilatral gauche :
H0 est vrifie si :
x A > m 0 t ,1
Dans le cas o leffectif de lchantillon est suprieur 30 (nA > 30), on peut appliquer les tests tirs de la loi normale rduite du 1.1/ en remplaant A par sA. application 7: une nouvelle pipette lectronique de 20 L est livre dans un laboratoire d'analyses. Un contrle interne est dcid pour vrifier la justesse de la pipette. Le tableau suivant reporte la srie des 20 mesures ralises. 20,010 19,980 20,006 19,994 19,984 19,998 20,006 19,998 19,996 20,014 19,994 20,012 19,990 19,976 19,998 20,000 20,010 19,984 19,994 20,022
On calcule la moyenne et l'cart-type estim :
x A = 19,998 L et sA = 0,0121 L avec nA = 20

On effectue un test bilatral pour examiner si les mesures donnes pour la nouvelle pipette ne sont pas significativement diffrentes de 20,000 L. Les hypothses sont les suivantes et on considre un risque de 5 % H0 : mA = m0 H1 : mA m0 avec m0 = 20,000 L
L'effectif est infrieur 30 donc on vrifie alors si

m0 t
,1 2
sA nA
x A m0 + t
,1 2
sA nA
On recherche t 201, 0,975 dans la table de Student :
t 20 1, 0,975 = 2,09
- 32 -
03/03/2007
soit 20 2,09
0,0121 20
x A 20 + 2,09
0,0121 20
donc 19,994 x A 20,006 ce qui est vrai d'aprs la valeur trouve pour x A . On en dduit que la nouvelle pipette de 20 L est effectivement juste. application 8 : une modification dans la formulation d'une poudre a t ralise pour diminuer la teneur en impurets des cristaux. On craint que cette modification entrane une augmentation de la taille moyenne des cristaux gale 150 m ce qui serait prjudiciable l'utilisation ultrieure du produit. On vrifie sur une srie de 40 cristallisations si la taille des cristaux n'est pas plus leve aprs cette modification. Le tableau ci-dessous rassemble les diffrentes tailles obtenues exprimes en microns.
150,4 151,3 153,0 160,7 150,7 160,1 156,5 155,1 156,9 156,6 160,7 161,2 152,7 159,9 157,5 156,0 150,5 160,4 152,8 153,9 145,6 149,9 149,0 149,2 149,1 146,6 147,5 148,8 145,9 148,1 144,9 148,1 148,9 145,8 145,8 150,0 150,0 148,1 147,4 149,8
On calcule la moyenne et l'cart-type estim :
x A = 151,9 m et sA = 4,94 m avec nA = 40

On effectue un test unilatral droite (on ne souponne qu'une seule possibilit de diffrence : l'augmentation de taille) pour examiner si les mesures donnes pour la nouvelle formulation ne sont pas significativement suprieures 150 m. Les hypothses sont les suivantes et on considre un risque de 5 % : H0 : mA = m0 H1 : mA > m0 avec m0 = 150 m
L'effectif est suprieur 30 donc on vrifie alors si :

x A < m 0 + 1,64 sA nA
,64 soit x A < 150 + 1
4,94 40
donc x A < 151,3 ce qui est faux d'aprs la valeur trouve pour x A . L'hypothse H0 n'est pas vrifie : l'augmentation de taille releve sur la moyenne de notre chantillon est donc significative. On peut en dduire que la nouvelle formulation entrane une augmentation de taille.
- 33 -
03/03/2007
2/ Comparaison d'une variance une valeur standard

Une application de ce test consiste vrifier si la variabilit dun nouvel instrument danalyse (autrement dit la prcision des mesures) est compatible avec le cahier des charges impos. Dans une population suivant une loi normale de paramtres mA et A, on considre un chantillon d'effectif nA de moyenne x A et qui fournit une variance estime sA2. On cherche comparer la variance 2 de la population avec une variance standard 02. On calcule d'abord 2obs (2 des observations exprimentales) dfini par:
2 obs =
(x i x A )2
i =1 2 0
somme des carrs des carts

2 0
(n A 1) s 2 A
2 0
On lit dans la table de "Khi deux" les valeurs de 2 pour le degr de libert = nA 1. Les relations suivantes sont tablies pour gal 5 %. test bilatral : H0 : 2 = 02 contre H1 : 2 02
Le test vrifie en fait si 0 appartient l'intervalle de confiance de l'cart-type de la population estim partir de celui de l'chantillon sA. On a ainsi pour l'hypothse H0 :
(n A 1) s A 2
2 ,0,975
(n A 1) s A 2
2 ,0,025
soit
2 ,0,975
2 n A 1) s A (
2 ,0,025
donc
2 ,0025
2obs
2 , 0,975
Si 2obs vrifie cette relation alors on en dduit que l'hypothse o la variance est gale 0 ne peut tre rejete avec un risque de 5 %. La variance observe n'est pas significativement diffrente de la variance standard 0. Sinon, la variance observe est significativement diffrente de la variance standard 0.
- 34 -
Philippe TRIBOULET (Lyce Niepce Chalon sur Sane) test unilatral gauche : H0 : 2 = 02 contre H1 : 2 < 02
03/03/2007
Si 2obs > 2 ,0,05 la variance observe n'est pas significativement plus petite que la variance standard avec un risque de 5 %. Dans le contraire on adopte l'hypothse H1. test unilatral droite : H0 : 2 = 02 contre H1 : 2 > 02
Si 2obs < 2 ,0,95 la variance observe n'est pas significativement plus grande que la variance standard avec un risque de 5 %. Dans le contraire on adopte l'hypothse H1. application 9 : une nouvelle balance dessiccation a t livre pour dterminer un rendement de schage. Une comparaison de ces rendements est exploitable uniquement si l'cart-type des titres massiques est infrieur 0,50 % (titre exprim en pourcentage). On effectue donc 25 prlvements homognes d'une poudre sche qu'on analyse avec la balance. Les titres obtenus sont reports dans le tableau suivant.
29,8 30,0 30,2 30,3 29,4 30,1 30,1 29,7 30,2 30,0 29,5 29,7 29,9 30,5 29,8 29,9 29,9 30,2 30,5 29,8 30,7 29,8 30,1 29,3 30,7
On effectue un test unilatral gauche car on veut vrifier si la nouvelle balance permet d'obtenir un cart-type infrieur une valeur fixe 0. Les hypothses sont les suivantes et on considre un risque de 5 % : H0 : 2 = 02 contre H1 : 2 < 02 avec 0 = 0,50 % sA = 0,36 % pour nA = 25 valeurs
On calcule l'cart-type estim : On calcule d'abord 2obs : 2 obs =
(n A 1) s 2 A
2 0
(25 1) 0,36 2
0,50 2
= 12,4
On lit dans les tables de "Khi deux" les valeurs de 2 , 0,05 pour = 25 1=24. On en dduit que 2obs < 2 24, 0,05 = 13,8. Il en rsulte que l'hypothse H0 est rejete: les cart-types obtenus avec la nouvelle balance sont significativement infrieurs 0,50 %.
- 35 -
03/03/2007
3/ Comparaison de deux variances

Ce test est trs utile pour comparer la dispersion des mesures provenant de deux appareils de mesure ou de deux procds. Il est galement le test permettant de conclure une analyse de variance. Cette estimation ncessite lutilisation dune loi statistique particulire dite loi de Snedecor note F et dfinie pour deux paramtres A et B correspondant des degrs de libert. On considre deux populations A et B suivant des lois normales pour la caractristique tudie (variances A2 et B2) dont on tire deux chantillons (effectifs nA et nB, variances estimes sA2 et sB2). Si les lois ne sont pas normales, le test s'applique avec des effectifs suprieurs 30. On calcule le rapport Fobs = sA2 / sB2 en plaant la plus grande variance au numrateur. Le test consiste dans tous les cas comparer ce rapport une valeur seuil Fseuil donne dans la table de Snedecor pour un risque (couramment pris 5 %) en prenant pour la colonne A = nA 1 degrs de libert et pour la ligne B = nB 1 degrs de libert. Suivant la nature du test, on examine en fait si ce rapport en tenant compte des fluctuations alatoires est effectivement diffrent de 1 (test bilatral) ou suprieur 1 (test unilatral). test bilatral : H0 : A2 = B2 H1 : A2 B2
Si Fobs < F(A ; B), 0,975 les deux variances observes ne sont pas significativement diffrentes en tenant compte des fluctuations alatoires. Sinon, les deux variances observes sont significativement diffrentes test unilatral droite : H0 : A2 = B2 H1 : A2 > B2
Si Fobs < F(A ; B), 0,95 la variance A2 observe n'est pas significativement suprieure la variance B2. B2. Sinon, la variance A2 observe est significativement suprieure la variance
remarque : le fait de placer au numrateur toujours la variance la plus leve rend inutile le test unilatral gauche.
application 10 : un nouveau spectrophotomtre UV-visible de marque Y doit tre achet dans un laboratoire afin de mesurer la concentration d'un ion mtallique complex. Un technicien de la socit Y vient effectuer une dmonstration sur un lot test fourni par le laboratoire. Il prtend que son appareil, de cot suprieur, a une
- 36 -
Philippe TRIBOULET (Lyce Niepce Chalon sur Sane) prcision suprieure celle du spectrophotomtre possd par le laboratoire. On effectue un test comparatif sur le mme lot avec 15 dterminations (exprimes en mg.L-1) pour chacun des appareils. On admettra que les distributions des concentrations suivent des lois normales.
49,75 49,5 50,04 48,61 52,14 50,02 49,25 50,35 50,4 50,3 49,25 50,42 47,52 49,75 50,29
03/03/2007
Spectrophotomtre du laboratoire (rfrence A)

50,94 49,04 50,02 49,11 49,64 51,74 48,86 49,75 49,6 51,88 48,86 49,75 49,5 49,5 48,59
Spectrophotomtre Y (rfrence B) On effectue un test unilatral car l'appareil du laboratoire a une variabilit a priori plus grande. Les hypothses sont les suivantes et on considre un risque de 5 % : H0 : A2 = B2 H1 : A2 > B2
On calcule les cart-types estims sA et sB pour nA = nB = 15 valeurs. sA = 1,0145 et sB = 0,9989 d'o sA2 = 1,02920 et sB2 = 0,9978 On en dduit Fobs : Fobs =
1,0292 1,03 0,9978

0,95 = F(15-1 ; 151), 0,95 =
D'aprs la table de Snedecor, on dtermine F(A ; B),
2,48
Comme Fobs < F (14 ; 14), 0,95, on en conclut que l'appareil du laboratoire n'a pas une variabilit suprieure celle du spectrophotomtre Y : les deux variances observes ne sont pas significativement diffrentes. On doit admettre que l'appareil de la socit Y n'a donc pas une meilleure prcision.
4/ Comparaison de deux moyennes

Ce test est d'une trs grande importance car ses applications sont multiples ; on distingue deux cas d'application bien diffrents.
remarque : dans cet expos la comparaison de plus de deux moyennes n'est pas aborde car ce problme est plus difficile rsoudre : il s'agit d'effectuer alors une analyse de la variance. L'analyse
- 37 -

de la variance est une technique trs utilise : elle intervient toutes les fois o on tudie l'influence de plusieurs facteurs sur une caractristique, notamment lors de l'exploitation des plans d'exprience.
03/03/2007
4.1/ Echantillons indpendants

Ce test intervient notamment toutes les fois o on souhaite comparer une caractristique d'un produit obtenu suivant deux procds diffrents ; on extrait alors un chantillon d'un lot obtenu partir de chacun des procds. On distingue ici le cas des grands et des petits chantillons. grands chantillons (nA et nB 30)
On considre deux chantillons (extraits de deux populations A et B de moyennes mA et mB) d'effectifs nA (nB), de moyennes x A ( x B ) et d'carts-types estims sA et sB. On choisit un risque de 5 %. On admet que la diffrence des variables alatoires associes aux moyennes des deux chantillons suit une loi normale N(mA-mB, D). On dfinit l'cart-type estim sD de la diffrence par:
sD =
s2 s2 A + B n A nB
On choisit un risque de 5 % et on en dduit alors les tests suivants. test bilatral : On vrifie H0 si: H0 : mA = mB contre H1 : mA mB
x A x B 1,96 sD
test unilatral droite : On vrifie H0 si:
H0 : mA = mB
contre
H1 : mA > mB
x A xB 1 ,64 sD
petits chantillons (nA ou nB < 30) Dans ce cas les tests sont possibles en ajoutant deux hypothses supplmentaires qui restreignent le champ d'application: la loi normale s'applique aux populations dont sont issus les deux chantillons.
- 38 -
Philippe TRIBOULET (Lyce Niepce Chalon sur Sane) les deux carts-types estims sA et sB ne sont pas significativement diffrents. La comparaison de deux moyennes exige donc d'avoir auparavant examin les variances des deux chantillons. On calcule diffremment l'cart-type de la diffrence sD'.
03/03/2007
sD ' =
s2 nA
s2 nB
avec
s =
2 + (nB 1) sB (n A 1) s 2 A
n A + nB 2
o s2 est l'estimation de la variance commune. Pour un risque de 5 %, on remplace ensuite dans les relations obtenus pour les grands chantillons 1,96 et 1,64 par respectivement t et t ,1 avec un
,1 2
nombre de degrs de libert gal nA + nB 2. Le tableau suivant rcapitule les hypothses H0 vrifier dans tous les cas de figures.
TEST
Test bilatral Test unilatral droite
H0 vrifie si Grands chantillons Petits chantillons

x A x B 1,96 sD
x A xB < t
,1
x A xB 1 ,64 sD
x A x B t ,1 sD '
sD '
remarque : il est faux d'examiner si les deux intervalles de confiance des moyennes se chevauchent; ils peuvent parfaitement se chevaucher avec une diffrence significative ! Dans l'exemple ci-dessous la dtermination d'une concentration par deux mthodes montrent que les intervalles de confiance avec 5 % de risque se chevauchent mais uniquement car les deux mthodes d'analyse ont une grande variabilit. Le test de comparaison des moyennes (313 et 359) montre qu'en fait les deux valeurs sont significativement diffrentes.
- 39 -
Philippe TRIBOULET (Lyce Niepce Chalon sur Sane) application 11: un oprateur est charge de vrifier l'volution en deux semaines d'une solution analyse par un dosage acido-basique. Il effectue donc 10 essais quatorze jours d'intervalle. Les concentrations releves sont exprimes en mol.L-1 jour 1 (chantillon A)
0,0528 0,0522 0,0523 0,0522 0,0525 0,0529 0,0522 0,0523 0,0522 0,0523
03/03/2007
jour 14 (chantillon B)
0,0518 0,0521 0,0522 0,0516 0,0521 0,0521 0,0519 0,0520 0,0515 0,0521
Comme les effectifs des chantillons sont infrieurs 30, on doit d'abord examiner si les variances sont identiques avant de comparer les moyennes des deux chantillons. On admettra que les deux chantillons sont extraits de populations normales. On effectue donc un test bilatral avec les hypothses suivantes en considrant un risque de 5 % : H0 : A2 = B2 H1 : A2 B2
On calcule les carst-types estims sA et sB pour nA = nB = 10 valeurs. sA = 0,0002601 et sB = 0,0002367 d'o sA2 = 6,77 x 10-8 et sB2 = 5,60 x 10-8 On en dduit Fobs : Fobs =
6,77 10 8 = 1,209 5,60 10 8
D'aprs la table de Snedecor, on dtermine F(A ; B), 0,975 = F(9 ; 9), 0,975 = 4,03 Comme Fobs < F(9 ; 9), 0,975 , les deux variances observes ne sont pas significativement diffrentes: on peut donc maintenant comparer les moyennes en effectuant un test bilatral avec les hypothses suivantes pour un risque de 5 %: H0 : mA = mB contre H1 : mA mB
Dans notre cas, x A = 0,05239 et x B = 0,05194 On calcule l'cart-type commun sD'.
sD ' =
s2 nA
s2 nB
avec s2 =
9 6,77 10 8 + 9 5,60 108 = 6,185 10 8 10 + 10 2
- 40 -

6,185 10 8 6,185 10 8 + = 1,11 10 4 10 10
03/03/2007
donc sD ' =
On dtermine avec la table de Student que: t10 +10 2, 0,975 = 2,10
x A x B = 4,5 10 4 > t10 +10 2, 0,975 sD ' = 2,09 1,11 10 4 = 2,32 10 4

On constate donc que les deux concentrations sont significativement diffrentes avec un risque de 5 %: la solution volue donc en deux semaines.
4.2/ Echantillons apparis

Les applications industrielles sont nombreuses, on peut citer : comparaison de deux appareils de mesure comparaison de deux mthodes de prparation comparaison de dterminations visuelles par deux oprateurs Par exemple on souhaite vrifier si deux spectrophotomtres de laboratoire fournissent la mme valeur de concentration; pour cela on prpare une srie de n solutions diffrentes; chacune des solutions est analyse avec les deux spectrophotomtres. On obtient donc n paires de mesures. Plus gnralement on dit que deux chantillons sont apparis quand ils constituent deux sries de mesures portant sur les mmes objets. Cette mthode prsente l'avantage du gain en puissance de test par rapport celle o les chantillons ne sont pas apparis. On constitue n paires de mesures (deux chantillons apparis de n individus) et on calcule la diffrence di pour chaque paire i. Les diffrences suivent une loi normale N(md, d ). On calcule alors la moyenne et l'cart-type estim des n n diffrences di soit x d et sd.
remarque : il faut bien calculer les diffrences algbriques et non les valeurs absolues des diffrences.
On s'intresse ici au test bilatral. Suivant les cas on applique les rgles cidessous pour un risque de 5 %. grands chantillons (n H0 : md = 0 On vrifie H0 si x d < 1,96 . 30) H1 : md 0
contre
sd n
- 41 -
Philippe TRIBOULET (Lyce Niepce Chalon sur Sane) petits chantillons (n < 30) Le test s'applique seulement si la distribution des diffrences suit une loi normale dans le cas o n est infrieur 11. On applique alors la mme rgle de dcision que pour les grands chantillons en remplaant 1,96 par t avec n-1 degrs de libert pour la loi de Student.
,1 2
03/03/2007
Soit pour vrifier H0 :
x d < t n 1,
0,975 .
sd n
application 12 : deux techniciens de laboratoire dterminent par microscopie le pourcentage de cellules anormales sur des frottis sanguins. Pour vrifier qu'il existe une bonne adquation il est dcid de faire lire 15 lames diffrentes par chacun des techniciens. Les rsultats sont donns dans le tableau suivant. Numro % lu par de lame technicien 1 1 59 2 35 3 62 4 9 5 29 6 3 7 54 8 26 9 0 10 51 11 17 12 45 13 14 14 41 15 68 % lu par technicien 2 50 29 60 14 29 4 50 21 1 40 12 50 14 39 75
On est en prsence de 15 paires de valeurs : ceci correspond un petit chantillon mais le nombre de paires tant suprieur 11, il n'est pas ncessaire de vrifier l'hypothse de normalit pour la distribution des diffrences. On effectue un test bilatral pour comparer la moyenne des diffrences 0. H0 : md = 0 contre H1 : md 0 pour n = 15
On calcule x d et sd :
x d = 1,67 et sd = 5,15
On dtermine avec la table de Student que t 15 1, 0,975 = 2,14
- 42 -
Philippe TRIBOULET (Lyce Niepce Chalon sur Sane) On obtient : x d = 1,67 < t 15 1, 0,975
03/03/2007
sd n
= 2,14
5,15 15
= 2,85
Avec un risque de 5%, on en dduit que la dtermination des cellules anormales par les deux oprateurs n'est pas significativement diffrente.
- 43 -
03/03/2007
IX/ UTILISATION DE LA PUISSANCE D'UN TEST 1/ Intrt de la puissance

On a vu que la puissance d'un test est la probabilit de rejeter l'hypothse nulle H0 de faon correcte c'est--dire lorsqu'elle est effectivement fausse. En fait la puissance reprsente les chances d'identifier une diffrence significative lorsqu'elle existe. La puissance peut tre utilise avant la planification d'expriences (analyse prospective) ou aprs leur excution (analyse rtrospective). Une tude prospective est utilise pour valuer si la puissance choisie par l'exprimentateur (gnralement 90 %) est suffisante pour dtecter une diffrence minimale qu'on juge importante pour le cas tudi. Autrement dit l'exprimentateur se pose le type de question suivante : "si j'obtiens une diffrence de rendement avec les deux procds gale 1,5 %, mon test sera-t-il capable de dtecter cette diffrence ou alors cette diffrence sera-t-elle masque par les fluctuations alatoires ? " En fonction de la rponse donne, l'exprimentateur sera peut-tre conduit augmenter l'effectif des chantillons ou prendre des mesures pour diminuer la variabilit des mesures. Une tude rtrospective est utilise aprs avoir rcupr les mesures des expriences; si l'analyse ne rvle par exemple aucune diffrence statistiquement significative pour le risque considr, l'exprimentateur calcule la puissance du test partir de l'effectif de l'chantillon et de la diffrence minimale qu'il juge importante dtecter. Si la puissance calcule est faible (infrieure 90 % par exemple), l'exprimentateur peut alors dcider d'effectuer des mesures supplmentaires. Cependant, si la puissance est leve, l'exprimentateur conclut qu'il n'y a pas de diffrence significative et il termine ainsi son tude exprimentale. Les logiciels proposent dans les calculs lis la puissance plusieurs grandeurs saisir : la diffrence minimale intressante dtecter pour l'tude considre l'effectif de l'chantillon la puissance du test L'utilisateur selon le besoin saisit deux des trois grandeurs: le logiciel fournit alors la valeur pour la troisime grandeur.
- 44 -
03/03/2007
2/ Dtermination de l'effectif minimum ncesaire

Il existe galement des relations donnant avec une prcision satisfaisante l'effectif minimum ncessaire quand on s'impose une valeur de puissance et une diffrence minimale.
2.1/ Comparaison d'une moyenne une valeur de rfrence

Dans une approche prospective il est souvent intressant de dterminer l'effectif minimum n de l'chantillon pouvant mettre en vidence une diffrence D entre la moyenne d'un chantillon et une rfrence avec une puissance de test de 90 %. Si on choisit d'excuter le test bilatral avec = 5 % pour n > 30, on obtient :
CV 2 n 10,5 2
avec CV =
s D et = m m
m et s sont des ordres de grandeur envisags pour la moyenne et l'cart-type d'un chantillon. application 13: la teneur en calcium d'une eau minrale est indique sur l'tiquette: 65 mg.L-1. Les dosages complexomtriques utiliss montrent un cart-type estim de 1,3 mg.L-1. On cherche le nombre de prlvements ncessaire pour mettre en vidence une diffrence de 0,5 mg.L-1 avec une puissance de 90 %. On calcule CV et : CV =
1,3 0,5 = 0,020 et = = 0,00769 65 65
Donc n 10,5
0,020 2 = 71 0,00769 2
L'intrt d'amliorer la prcision des mesures (donc de diminuer l'cart-type) apparat dans le calcul suivant o on admet que l'cart-type est maintenant descendu 0,9 mg.L-1. On obtient alors CV =
0,9 0,0138 2 = 0,0138 donc n 10,5 = 34 65 0,00769 2
Une amlioration de 30 % de la prcision entrane 50 % de prlvements en moins pour la dtection russie (puissance de test de 90 %) d'une diffrence de 0,5 mg.L-1.
2.2/ Comparaison de deux moyennes

Si on s'impose comme puissance de test 90 % avec = 5 %, la relation suivante indique l'effectif minimum ncessaire n pour de grands chantillons (nA et nB > 30) si on cherche dtecter une diffrence D entre les moyennes des deux chantillons : - 45 -
03/03/2007
On note s l'ordre de grandeur de l'cart-type commun (application ici dans le cas d'galit des variances) et m l'ordre de grandeur de la moyenne.
CV 2 s D n 21 et = avec CV = 2 m m
application 14 : deux procds chimiques A et B conduisent des rendements voisins de l'ordre de 78 % avec un cart-type estim d'environ 2,2 % pour chacun des procds. Les valeurs moyennes obtenues pour A et B (77,5 % pour A et 78,2 % pour B) n'ont pas permis de montrer une diffrence statistiquement significative avec un risque de 5 %. Ces rsultats ont t obtenus l'issue d'une campagne de production de 40 lots pour chaque procd. On se demande nanmoins si une diffrence de 1 % aurait pu tre dtecte avec une puissance de 90 %. On calcule CV et : CV =
2,2 1 = 0,0282 et = = 0,0128 78 78
Donc n 21
0,0282 2 = 102 0,0128 2
Il tait donc impossible de dtecter une diffrence de rendement de 1 % entre les deux procds partir de seulement 40 lots produits. En utilisant le logiciel MINITAB, on arrive en fait la conclusion qu'avec 40 lots, la puissance du test est de 51 % si il existe une diffrence relle entre les rendements des deux procds de 1 %. Il y donc prs de 50 % de risque de conclure tort qu'il n'y a aucune diffrence entre les procds. Pour rpondre la question pose il faut soit attendre d'autres lots de fabrication soit diminuer la variabilit de la production (diminuer l'cart-type).
- 46 -
03/03/2007
X/ ANALYSE D'UNE DISTRIBUTION A DEUX CARACTERES 1/ Corrlation et rgression

Plusieurs cas peuvent se produire quand on tudie simultanment deux caractres : les variables sont lies par une relation physique bien tablie (temprature et volume d'un gaz par exemple). les variables sont compltement indpendantes (temprature et masse d'un objet par exemple). les variables ne sont pas compltement indpendantes, il existe une certaine relation due une cause commune. L'existence d'une liaison ne signifie nullement qu'il y ait une relation de cause effet car la variation des deux variables peut provenir d'une cause commune. Seule l'exprience est capable de trancher. Par exemple la densit et l'indice de rfraction dpendent de la composition d'un mlange mais ne sont pas lis par les lois physico-chimiques. La mise en vidence de la liaison entre deux variables quantitatives s'effectue l'aide de deux procds statistiques trs semblables: la corrlation et la rgression. Leur distinction s'effectue selon le mode de prlvement des chantillons : La corrlation ne distingue pas les variables : le prlvement d'chantillon est effectu au hasard dans la population. La corrlation cherche seulement tablir s'il existe un lien entre deux caractres. Exemple : on examine une srie de lots de poudre dont on dtermine la taille moyenne des cristaux. Suivant le lot, les tailles obtenues montrent des diffrences notables. On s'aperoit que lors de la fabrication des lots les valeurs des pH ajusts taient galement trop variables. On cherche donc vrifier s'il existe une corrlation entre la taille des cristaux et la valeur du pH pendant la fabrication. La rgression distingue les variables indpendantes dont l'exprimentateur fixe la valeur et les variables dpendantes obtenues dans l'exprience. L'chantillonnage est donc dirig. La rgression permet de dfinir un modle expliquant une variable par une autre dite variable explicative. Exemple : on fabrique des alliages avec des teneurs en chrome diffrentes mais connues prcisment. Pour chacune des teneurs en chrome on ralise plusieurs prouvettes dont on teste la rsistance la corrosion. On cherche tablir ensuite une relation mathmatique liant la rsistance la corrosion la teneur en chrome. Dans la suite on se limitera l'tude de la corrlation et de la rgression linaires. - 47 -
03/03/2007
2/ Corrlation linaire
On considre les n couples de valeurs (xi , yi) et on reprsente les couples sur un graphique. On calcule la covariance cov(x,y) puis le coefficient de corrlation r :
cov( x, y ) =
[(x i x ) (y i y )]
n
et
r=
cov( x, y ) x y
avec
2 x
(x i x )2 =
n
et
2 y
(y i y )2 =
n
x et y sont les moyennes respectives des xi et yi valeurs.

Suivant les valeurs de r, diffrents cas peuvent se prsenter ; plus la corrlation est significative, plus r tend vers 1. Un nuage de points rparti sur l'ensemble du plan correspond r trs proche de 0 au contraire. Dans le cas prsent ci-dessous on peut penser, d'aprs l'allure du graphique et la valeur du coefficient de corrlation, qu'il existe effectivement une corrlation entre le pH initial de la prcipitation et la taille des cristaux obtenus.
85 80 taille des cristaux (m) 75 70 65 60 55 50 45 40 3,6 3,8 4 pH initial 4,2 4,4 4,6
r = 0,941
Dans l'exemple suivant on a souponn l'influence de l'excs de ractif introduit par un oprateur sur la quantit obtenu en produit secondaire aprs la synthse ; l'allure du graphique ainsi que la valeur du coefficient de rgression r montre qu'en fait il faut rechercher une autre cause car on ne relve aucune corrlation.
- 48 -
03/03/2007
12 % en masse de produit secondaire 10 8 6 4 2 0 0 5
r = 0,071
10
15
20
excs de m asse de ractif introduit (%)
Pourtant un coefficient de corrlation faible signifie seulement qu'il n'y a pas de liaison linaire entre les variables: une relation non linaire est toujours possible. On aborde dans le cas ci-dessous la vitesse de corrosion d'une plaque en fonction de la vitesse d'coulement sa surface d'une eau peu corrosive. A l'vidence il n'existe pas de corrlation linaire (valeur de r trop faible) mais on montrerait qu'une corrlation exponentielle est une bonne hypothse.
70 vitesse de corrosion (unit arbitraire)
r = 0,763
60 50 40 30 20 10 0 1 1,5 2 2,5 3 3,5 4 vitesse d'coulement (m/s)
En ralit la valeur de r ne peut s'interprter seule. Son degr de signification est fonction du nombre de couples (x,y) : une valeur leve ne signifie pas forcment une forte liaison si le nombre de couples est petit.
remarque : avec deux couples, donc deux points, r est forcment gal 1 mais on sent bien intuitivement qu'il est impossible d'en tirer un renseignement sur une possible corrlation
- 49 -
Philippe TRIBOULET (Lyce Niepce Chalon sur Sane) Le test de la liaison (test de Bravais Pearson) permet de vrifier ce point. Pour un risque de 5 %, le nombre de degrs de libert est gal n-2, n tant le nombre de couples de valeurs. Pour que la corrlation soit significative, la valeur de r calcule doit tre suprieure la valeur de rseuil indique dans le tableau de l'Annexe 2.
remarque : le risque d'erreur correspond ici au risque d'affirmer que la corrlation entre deux variables est significative alors qu'il n'en est rien.
03/03/2007
application 15 : on reprend l'exemple prcdent de corrlation entre la taille des cristaux et le pH initial en indiquant les valeurs observes dans un tableau.
pH 3,72 3,75 3,75 3,75 3,79 3,8 taille (m) 76 80 70 74 71 69 pH 3,8 3,8 3,83 3,86 3,89 3,89 taille (m) 68 65 66 64 62 61 pH 3,92 3,95 4 4,04 4,07 4,09 taille (m) 58 59 60 59 54 55 pH 4,12 4,24 4,26 4,31 4,31 4,4 taille (m) 49 51 52 45 44 46
On calcule un coefficient de corrlation linaire r gale 0,941. Il est ncessaire alors de raliser le test de la liaison pour trancher. Pour un risque de 5 %, le nombre de degrs de libert est gal 22 (24 couples de valeurs). La valeur de rseuil indique dans le tableau de l'Annexe 2 est environ gale 0,38. On obtient donc: rseuil = 0,38 < r = 0,941 On en dduit que la corrlation linaire est significative
3/ Rgression linaire
L'tude statistique sur la corrlation s'applique aussi la rgression, notamment pour le coefficient r et le test de la liaison. La rgression linaire de y par rapport x consiste dfinir une relation du type : y = a. x + b On cherche les valeurs des paramtres a et b de faon que la droite passe au mieux dans l'ensemble des points exprimentaux. On utilise une mthode dite "des moindres carrs" qui minimise l'cart entre la droite et les points exprimentaux. La droite de rgression s'obtient partir des valeurs de a et b suivantes :
a=r y x
et
b = y a x
- 50 -
03/03/2007
Le terme r2 mesure la qualit de la liaison en exprimant le % des variations de y explicables par les variations de x. Le terme 1 r2 mesure lui les variations de y dues aux fluctuations alatoires. La variance de y s'explique comme la somme de la variance due la variation du facteur x dans la rgression (fraction r2 de la variance totale) et la variance rsiduelle due la dispersion alatoire (fraction 1 - r2 de la variance totale).
remarque : on utilise souvent les termes de rsidu (ou de valeur rsiduelle); il s'agit de la diffrence entre la valeur exprimentale et la valeur dtermine d'aprs le modle tir de la rgression. La rgression est d'autant plus "prcise" que les rsidus sont faibles. Les rsidus doivent galement tre distribus selon une loi normale.
Dans tous les cas pour viter les erreurs d'interprtation il faut tracer le graphique et ne pas se contenter de calculer le coefficient r. Les exemples suivants (voir rfrence bibliographique 1/) montrent que pour une mme valeur de r et une mme droite de rgression les conclusions donner peuvent tre fort diffrentes
12 10 8 6 4 2 0 0 5 10 15 y = 0,50 x + 3,00 r = 0,816
12 10 8 6 4 2 0 0 5 10 15 y = 0,5 x + 3,00 r = 0,816
14 12 10 8 6 4 2 0 0 5 10 15 y = 0,50 x + 3,00 r = 0,816
- 51 -
03/03/2007
XI/ BIBLIOGRAPHIE
Ouvrages 1/ "Guide du technicien qualit", B. BOITEUX, Delagrave, 2001 2/ Techniques de l'ingnieur: articles A166 A167 R250 R260 3/ "Statistiques appliques l'exploitation des mesures Tome 1", CEA, MASSON, 1978 4/ "Mthodes statistiques l'usage des mdecins et des biologistes", D. SCHWARTZ, 4me Edition, Mdecine-Sciences Flammarion, 1993 5/ "Statistique", S. GELLER, MASSON, 1983 6/ Documentation logiciel Minitab 13.31
Web 7/ www.educnet.education.fr/rnchimie/ Cours de statistiques par B. Benichou, ENCPB, Paris 8/ www.itl.nist.gov/div898/handbook/ NIST/SEMATECH e-Handbook of Statistical Methods
- 52 -
03/03/2007
ANNEXE 1 : TESTS DE DIXON ET BRAVAIS PEARSON TEST DE DIXON

n
Table de r2
=5% 0,637 0,600 0,570 0,546 0,525 0,507 0,490 0,475 0,462 0,450 0,440 0,430 0,421 0,413 0,406 0,399 0,393 0,387 0,381 0,376 =1% 0,745 0,704 0,670 0,641 0,616 0,595 0,577 0,561 0,547 0,535 0,524 0,514 0,505 0,497 0,489 0,486 0,475 0,469 0,463 0,457 =1% 0,988 0,889 0,780 0,698 0,637 0,590 0,555 0,527 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Table de r1
n 3 4 5 6 7 8 9 10 =5% 0,941 0,765 0,642 0,560 0,507 0,468 0,437 0,412
CORRLATION LINAIRE : TEST DE BRAVAIS PEARSON

1 2 3 4 5 6 7 8 9 10 rseuil 0,9969 0,95 0,8783 0,8114 0,7545 0,7067 0,6664 0,6319 0,6021 0,576 11 12 13 14 15 16 17 18 19 20 rseuil 0,5529 0,5324 0,5139 0,4973 0,4821 0,4683 0,4555 0,4438 0,4329 0,4227 25 30 35 40 45 50 60 70 80 90 rseuil 0,3809 0,3494 0,3246 0,3044 0,2875 0,2732 0,25 0,2319 0,2172 0,205
- 53 -
03/03/2007
ANNEXE 2 : NOTION DE P-VALUE

Les logiciels de statistique utilisent la notion importante de p-value pour l'interprtation des tests statistiques. Pour un test l'exprimentateur fixe d'ordinaire le risque de premire espce. En ralit il est souvent plus intressant de dterminer la valeur limite du risque audel de laquelle l'hypothse alternative H1 aurait t accepte. La p-value se dfinit donc comme la probabilit d'obtenir la grandeur tire de l'chantillon (moyenne par exemple) gale celle spcifie dans l'hypothse nulle H0. Si la valeur de la p-value est infrieure ou gale au risque de premire espce on en dduit alors que l'hypothse H0 peut tre rejete et donc qu'on peut accepter l'hypothse H1. La p-value est intressante car elle permet en fait de dterminer le risque qui pourrait tre fix pour ne pas rejeter une hypothse H0 ; donc il n'est pas utile de fixer le risque a priori. L'application suivante permet de dterminer la p-value. On dispose d'une srie de mesures de concentration obtenues avec un procd modifi et on examine si on parvient atteindre la valeur de rfrence recherche m0 de 3,41 g.L-1. Les mesures en g.L-1 sont rpertories dans le tableau suivant.
3,43 3,45 3,36 3,41 3,43 3,37 3,49 3,46 3,38 3,48 3,38 3,42 3,51 3,47 3,34 3,48 3,39 3,43 3,40 3,40 3,42 3,39 3,42 3,37 3,50 3,41 3,38 3,45 3,49 3,42 3,45 3,43 3,40
On calcule la moyenne x A et l'cart-type estim sA.
x A = 3,4246 g.L-1
sA = 0,04367 g.L-1 H1 : mA m0 = 3,41
On construit le test bilatral : H0 : mA = m0 = 3,41
L'effectif de l'chantillon nA tant suprieur 30, pour l'hypothse H0, la s concentration moyenne des chantillons obit une loi normale N(m0, A ), donc la nA variable u =
x A m0 sA / nA
suit une loi normale rduite.
On calcule alors la valeur u correspondante : u =
3,4246 3,41 0,04367 / 33
= 1,92
D'aprs la table de la loi normale rduite, F(1,92) = 0,972. Par consquent p-value = 2 . (1 0,972) = 2 . 0,028 = 0,056
- 54 -
03/03/2007
=5% = 10 %
H0 : -1,96 < u < + 1,96 H0 : -1,64 < u < + 1,64
Le risque de 5,6 % apparat comme le seuil limite. Dans l'hypothse H0 (la moyenne avec le nouveau procd est gale m0), la zone en rouge apparat en fait comme la probabilit d'observer des moyennes d'chantillons suprieures 3,4246 et infrieures 3,3954 (en effet: 3,41 [3,4246 3,41] = 3,3954). Si on choisit un risque de 5 %, l'hypothse H0 (on ne peut pas dire que ce procd entrane des concentrations significativement diffrentes de 3,41) ne peut tre rejete. Le choix d'un risque de 10 % entrane une conclusion oppose : l'hypothse H0 est rejete, la concentration obtenue avec le nouveau procd est significativement diffrente de 3,41.
- 55 -
03/03/2007
ANNEXE 3 : APPLICATIONS STATISTIQUES DE BASE AVEC EXCEL

La version d'EXCEL utilise est EXCEL 2002.
I/ FONCTIONNALITES EXCEL
Le logiciel EXCEL prsente deux possibilits pour effectuer des tudes statistiques : Menus: INSERTION puis FONCTION
On choisit ensuite une catgorie de fonctions, STATISTIQUES dans notre cas.
Il est noter que ces fonctions peuvent tre saisies manuellement (en les prcdant du signe = ) si on connat la syntaxe. EXCEL considre galement comme fonction des tests : test de Fisher, test de Student Menus: OUTILS puis UTILITAIRE D'ANALYSE
- 56 -
03/03/2007
L'utilitaire est souvent plus facile utiliser que la procdure par fonctions.
remarque : l'utilitaire d'analyse est en fait une macro qui n'est pas charge par dfaut l'installation d'EXCEL. Si l'UTILITAIRE D'ANALYSES n'apparat pas dans le menu OUTILS, il faut le slectionner partir des menus OUTILS puis MACROS COMPLMENTAIRES.
II/ ETUDE D'UNE DISTRIBUTION 1/ Avec les fonctions

On indique ici les caractristiques recherches et la syntaxe utiliser pour une plage de valeurs pour la distribution dfinie par : A1:A16 Mediane Valeur maximale Valeur minimale Moyenne Ecart type de la population Ecart type estim de la population mediane(A1:A16) max(A1:A16) min(A1:A16) moyenne(A1:A16) ecartypep(A1:A16) ecartype(A1:A16)
2/ Avec l'utilitaire d'analyses

On reprend la srie de donnes de l'application 3. On choisit dans l'utilitaire: STATISTIQUES DESCRIPTIVES. Il suffit alors de saisir la plage des valeurs et de demander un rapport dtaill en fixant le risque de premire espce : le niveau de confiance de 95 % correspond = 0,05.
- 57 -
03/03/2007
On obtient alors le rsultat suivant:
L'cart-type indiqu est l'cart-type estim de la population partir des donnes de l'chantillon. On peut dduire du tableau l'intervalle de confiance pour la moyenne avec l'indication du niveau de confiance :
32,97 - 0,20381 m 32,97 + 0,20381

remarque : Les coefficients d'aplatissement et d'assymtrie sont des grandeurs utilises dans la comparaison d'une distribution une distribution normale.
- 58 -
03/03/2007
III/ EXEMPLES DE RALISATION DE TESTS STATISTIQUES

On utilise l'utilitaire d'analyses.
1/ Comparaison de deux variances dans un test bilatral

On reprend la srie de donnes de l'application 11 et on choisit dans l'utilitaire : TEST D'EGALITE DES VARIANCES (F-TEST). Il est ncessaire de placer en premire colonne l'chantillon ayant la variance la plus grande. Comme EXCEL effectue en fait un test unilatral il faut dfinir un seuil de signification de 0,025 pour travailler en test bilatral (risque partag gauche et droite) avec un risque de premire espce de 5 %.
On retrouve dans le tableau les moyennes et les variances estimes pour chaque chantillon.
"Valeur critique pour F (unilatral)" correspond Fseuil. "P(F<=f) unilatral" correspond la demi p-value car le test d'EXCEL est unilatral. F est le rapport du carr des variances soit Fobs. Deux raisonnements sont possibles conduisant la mme conclusion : les deux variances ne sont pas significativement diffrentes : - 59 -
03/03/2007
F = Fobs = 1,208 < Fseuil = 4,03 p-value = 0,391x 2 = 0,782 > = 0,05
2/ Comparaison de deux moyennes dans un test bilatral (chantillons indpendants)

On reprend la srie de donnes prcdentes et on choisit dans l'utilitaire : TEST D'EGALITE DES ESPERANCES : DEUX OBSERVATIONS DE VARIANCES EGALES Aprs le choix des deux plages de valeurs correspondants aux chantillons, on dfinit la diffrence des moyennes comme tant nulle ce qui correspond l'hypothse nulle H0. Le risque de premire espce (seuil de signification) est fixe 5 %.
On obtient les rsultats suivants :
- 60 -
03/03/2007
On peut raisonner de deux manires : On compare les grandeurs "Statistique t" et "Valeur critique de t (bilatral)" pour ce test.
x A xB . Si la valeur absolue de cette grandeur sD ' est suprieure "Valeur critique de t (bilatral)", on en dduit que les deux moyennes sont significativement diffrentes. Ici c'est le cas car 4,047 > 2,10 .
"Statistique t" se dfinit par La grandeur "P(T<=t) bilatral" correspond en fait la p-value: dans notre cas la valeur 0,000757 tant bien infrieure au risque de 5 %, on en tire la mme conclusion.
3/ Comparaison de deux moyennes dans un test bilatral (chantillons apparis)

On reprend la srie de donnes de l'application 12 et on choisit dans l'utilitaire : TEST D'EGALITE DES ESPERANCES: OBSERVATIONS PAIREES . Aprs le choix des deux plages de valeurs correspondants aux chantillons, on dfinit la diffrence des moyennes comme tant nulle ce qui correspond l'hypothse nulle H0. Le risque de premire espce (seuil de signification) est fixe 5 %.
- 61 -
03/03/2007
Les deux mmes types d'interprtations qu'au 2/ s'appliquent : On compare les grandeurs "Statistique t" et "Valeur critique de t (bilatral)" pour ce test. "Statistique t" se dfinit par . Si la valeur absolue de cette grandeur sd / n est suprieure "Valeur critique de t (bilatral)", on en dduit que les deux moyennes ne sont pas significativement diffrentes. Ici c'est le cas car 1,253 < 2,14 . La grandeur "P(T<=t) bilatral" correspond en fait la p-value : dans notre cas la valeur 0,23 tant suprieure au risque de 5 %, on en tire la mme conclusion. xd
- 62 -
03/03/2007
ANNEXE 4 : FONCTION DE RPARTITION DE LA LOI NORMALE CENTRE RDUITE
u
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9 3
0 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
0,01 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
0,02 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
0,03 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
0,04 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
0,05 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
0,06 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
0,07 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
0,08 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
0,09 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
- 63 -
03/03/2007
ANNEXE 5 : LOI DE STUDENT
Figures tires de "Guide du technicien qualit", B. BOITEUX, Delagrave, 2001

TEST
= 0,05 = 0,01 t0,975 t0,995 1

12,71 63,66
BILATERAL
4
2,78 4,60
2
4,30 9,92
3
3,18 5,84
5
2,57 4,03
6
2,45 3,71
7
2,36 3,50
8
2,31 3,36
9
2,26 3,25
10
2,23 3,17
11
2,20 3,11
12
2,18 3,05
13
2,16 3,01
14
2,14 2,98
15
2,13 2,95
16
2,12 2,92
17
2,11 2,90
= 0,05 = 0,01 t0,975 t0,995
18
2,10 2,88
19
2,09 2,86
20
2,09 2,85
21
2,08 2,83
22
2,07 2,82
23
2,07 2,81
24
2,06 2,80
25
2,06 2,79
26
2,06 2,78
27
2,05 2,77
28
2,05 2,76
29
2,05 2,76
30
2,04 2,75
35
2,03 2,72
40
2,02 2,70
50
2,01 2,68
100
1,98 2,63
TEST
= 0,05 = 0,01 t0,95 t0,99 1

6,31 31,82
UNILATERAL
4
2,13 3,75
2
2,92 6,96
3
2,35 4,54
5
2,02 3,36
6
1,94 3,14
7
1,89 3,00
8
1,86 2,90
9
1,83 2,82
10
1,81 2,76
11
1,80 2,72
12
1,78 2,68
13
1,77 2,65
14
1,76 2,62
15
1,75 2,60
16
1,75 2,58
17
1,74 2,57
= 0,05 = 0,01 t0,95 t0,99
18
1,73 2,55
19
1,73 2,54
20
1,72 2,53
21
1,72 2,52
22
1,72 2,51
23
1,71 2,50
24
1,71 2,49
25
1,71 2,49
26
1,71 2,48
27
1,70 2,47
28
1,70 2,47
29
1,70 2,46
30
1,70 2,46
35
1,69 2,44
40
1,68 2,42
50
1,68 2,40
100
1,66 2,36
- 64 -
03/03/2007
ANNEXE 6 : LOI DE F
(LOI DE SNEDECOR)
Figure tire de "Guide du technicien qualit" , B. BOITEUX, Delagrave, 2001
TEST BILATERAL
2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 40 50 60 80 100 1 647,8 38,51 17,44 12,22 10,01 8,81 8,07 7,57 7,21 6,94 6,72 6,55 6,41 6,30 6,20 6,12 6,04 5,98 5,92 5,87 5,83 5,79 5,75 5,72 5,69 5,66 5,63 5,61 5,59 5,57 5,42 5,34 5,29 5,22 5,18 2 799,5 39,00 16,04 10,65 8,43 7,26 6,54 6,06 5,71 5,46 5,26 5,10 4,97 4,86 4,77 4,69 4,62 4,56 4,51 4,46 4,42 4,38 4,35 4,32 4,29 4,27 4,24 4,22 4,20 4,18 4,05 3,97 3,93 3,86 3,83 3 864,2 39,17 15,44 9,98 7,76 6,60 5,89 5,42 5,08 4,83 4,63 4,47 4,35 4,24 4,15 4,08 4,01 3,95 3,90 3,86 3,82 3,78 3,75 3,72 3,69 3,67 3,65 3,63 3,61 3,59 3,46 3,39 3,34 3,28 3,25 4 899,6 39,25 15,10 9,60 7,39 6,23 5,52 5,05 4,72 4,47 4,28 4,12 4,00 3,89 3,80 3,73 3,66 3,61 3,56 3,51 3,48 3,44 3,41 3,38 3,35 3,33 3,31 3,29 3,27 3,25 3,13 3,05 3,01 2,95 2,92 5 921,8 39,30 14,88 9,36 7,15 5,99 5,29 4,82 4,48 4,24 4,04 3,89 3,77 3,66 3,58 3,50 3,44 3,38 3,33 3,29 3,25 3,22 3,18 3,15 3,13 3,10 3,08 3,06 3,04 3,03 2,90 2,83 2,79 2,73 2,70 6 937,1 39,33 14,73 9,20 6,98 5,82 5,12 4,65 4,32 4,07 3,88 3,73 3,60 3,50 3,41 3,34 3,28 3,22 3,17 3,13 3,09 3,05 3,02 2,99 2,97 2,94 2,92 2,90 2,88 2,87 2,74 2,67 2,63 2,57 2,54 7 948,2 39,36 14,62 9,07 6,85 5,70 4,99 4,53 4,20 3,95 3,76 3,61 3,48 3,38 3,29 3,22 3,16 3,10 3,05 3,01 2,97 2,93 2,90 2,87 2,85 2,82 2,80 2,78 2,76 2,75 2,62 2,55 2,51 2,45 2,42 8 956,6 39,37 14,54 8,98 6,76 5,60 4,90 4,43 4,10 3,85 3,66 3,51 3,39 3,29 3,20 3,12 3,06 3,01 2,96 2,91 2,87 2,84 2,81 2,78 2,75 2,73 2,71 2,69 2,67 2,65 2,53 2,46 2,41 2,35 2,32 9 963,3 39,39 14,47 8,90 6,68 5,52 4,82 4,36 4,03 3,78 3,59 3,44 3,31 3,21 3,12 3,05 2,98 2,93 2,88 2,84 2,80 2,76 2,73 2,70 2,68 2,65 2,63 2,61 2,59 2,57 2,45 2,38 2,33 2,28 2,24 10 968,6 39,40 14,42 8,84 6,62 5,46 4,76 4,30 3,96 3,72 3,53 3,37 3,25 3,15 3,06 2,99 2,92 2,87 2,82 2,77 2,73 2,70 2,67 2,64 2,61 2,59 2,57 2,55 2,53 2,51 2,39 2,32 2,27 2,21 2,18 11 973,0 39,41 14,37 8,79 6,57 5,41 4,71 4,24 3,91 3,66 3,47 3,32 3,20 3,09 3,01 2,93 2,87 2,81 2,76 2,72 2,68 2,65 2,62 2,59 2,56 2,54 2,51 2,49 2,48 2,46 2,33 2,26 2,22 2,16 2,12 12 976,7 39,41 14,34 8,75 6,52 5,37 4,67 4,20 3,87 3,62 3,43 3,28 3,15 3,05 2,96 2,89 2,82 2,77 2,72 2,68 2,64 2,60 2,57 2,54 2,51 2,49 2,47 2,45 2,43 2,41 2,29 2,22 2,17 2,11 2,08 13 979,8 39,42 14,30 8,72 6,49 5,33 4,63 4,16 3,83 3,58 3,39 3,24 3,12 3,01 2,92 2,85 2,79 2,73 2,68 2,64 2,60 2,56 2,53 2,50 2,48 2,45 2,43 2,41 2,39 2,37 2,25 2,18 2,13 2,07 2,04 14 982,5 39,43 14,28 8,68 6,46 5,30 4,60 4,13 3,80 3,55 3,36 3,21 3,08 2,98 2,89 2,82 2,75 2,70 2,65 2,60 2,56 2,53 2,50 2,47 2,44 2,42 2,39 2,37 2,36 2,34 2,21 2,14 2,09 2,03 2,00
F(1 , 2)
1
15 984,9 39,43 14,25 8,66 6,43 5,27 4,57 4,10 3,77 3,52 3,33 3,18 3,05 2,95 2,86 2,79 2,72 2,67 2,62 2,57 2,53 2,50 2,47 2,44 2,41 2,39 2,36 2,34 2,32 2,31 2,18 2,11 2,06 2,00 1,97 16 986,9 39,44 14,23 8,63 6,40 5,24 4,54 4,08 3,74 3,50 3,30 3,15 3,03 2,92 2,84 2,76 2,70 2,64 2,59 2,55 2,51 2,47 2,44 2,41 2,38 2,36 2,34 2,32 2,30 2,28 2,15 2,08 2,03 1,97 1,94 17 988,7 39,44 14,21 8,61 6,38 5,22 4,52 4,05 3,72 3,47 3,28 3,13 3,00 2,90 2,81 2,74 2,67 2,62 2,57 2,52 2,48 2,45 2,42 2,39 2,36 2,34 2,31 2,29 2,27 2,26 2,13 2,06 2,01 1,95 1,91 18 990,3 39,44 14,20 8,59 6,36 5,20 4,50 4,03 3,70 3,45 3,26 3,11 2,98 2,88 2,79 2,72 2,65 2,60 2,55 2,50 2,46 2,43 2,39 2,36 2,34 2,31 2,29 2,27 2,25 2,23 2,11 2,03 1,98 1,92 1,89 19 991,8 39,45 14,18 8,58 6,34 5,18 4,48 4,02 3,68 3,44 3,24 3,09 2,96 2,86 2,77 2,70 2,63 2,58 2,53 2,48 2,44 2,41 2,37 2,35 2,32 2,29 2,27 2,25 2,23 2,21 2,09 2,01 1,96 1,90 1,87 20 993,1 39,45 14,17 8,56 6,33 5,17 4,47 4,00 3,67 3,42 3,23 3,07 2,95 2,84 2,76 2,68 2,62 2,56 2,51 2,46 2,42 2,39 2,36 2,33 2,30 2,28 2,25 2,23 2,21 2,20 2,07 1,99 1,94 1,88 1,85
= 0,05
21 994,3 39,45 14,16 8,55 6,31 5,15 4,45 3,98 3,65 3,40 3,21 3,06 2,93 2,83 2,74 2,67 2,60 2,54 2,49 2,45 2,41 2,37 2,34 2,31 2,28 2,26 2,24 2,22 2,20 2,18 2,05 1,98 1,93 1,87 1,83 22 995,4 39,45 14,14 8,53 6,30 5,14 4,44 3,97 3,64 3,39 3,20 3,04 2,92 2,81 2,73 2,65 2,59 2,53 2,48 2,43 2,39 2,36 2,33 2,30 2,27 2,24 2,22 2,20 2,18 2,16 2,03 1,96 1,91 1,85 1,81 23 996,3 39,45 14,13 8,52 6,29 5,13 4,43 3,96 3,63 3,38 3,18 3,03 2,91 2,80 2,71 2,64 2,57 2,52 2,46 2,42 2,38 2,34 2,31 2,28 2,26 2,23 2,21 2,19 2,17 2,15 2,02 1,95 1,90 1,83 1,80 24 997,3 39,46 14,12 8,51 6,28 5,12 4,41 3,95 3,61 3,37 3,17 3,02 2,89 2,79 2,70 2,63 2,56 2,50 2,45 2,41 2,37 2,33 2,30 2,27 2,24 2,22 2,19 2,17 2,15 2,14 2,01 1,93 1,88 1,82 1,78 25 998,1 39,46 14,12 8,50 6,27 5,11 4,40 3,94 3,60 3,35 3,16 3,01 2,88 2,78 2,69 2,61 2,55 2,49 2,44 2,40 2,36 2,32 2,29 2,26 2,23 2,21 2,18 2,16 2,14 2,12 1,99 1,92 1,87 1,81 1,77 26 998,8 39,46 14,11 8,49 6,26 5,10 4,39 3,93 3,59 3,34 3,15 3,00 2,87 2,77 2,68 2,60 2,54 2,48 2,43 2,39 2,34 2,31 2,28 2,25 2,22 2,19 2,17 2,15 2,13 2,11 1,98 1,91 1,86 1,79 1,76 27 999,5 39,46 14,10 8,48 6,25 5,09 4,39 3,92 3,58 3,34 3,14 2,99 2,86 2,76 2,67 2,59 2,53 2,47 2,42 2,38 2,33 2,30 2,27 2,24 2,21 2,18 2,16 2,14 2,12 2,10 1,97 1,90 1,85 1,78 1,75 28 1000 39,46 14,09 8,48 6,24 5,08 4,38 3,91 3,58 3,33 3,13 2,98 2,85 2,75 2,66 2,58 2,52 2,46 2,41 2,37 2,33 2,29 2,26 2,23 2,20 2,17 2,15 2,13 2,11 2,09 1,96 1,89 1,83 1,77 1,74 29 1001 39,46 14,09 8,47 6,23 5,07 4,37 3,90 3,57 3,32 3,13 2,97 2,85 2,74 2,65 2,58 2,51 2,45 2,40 2,36 2,32 2,28 2,25 2,22 2,19 2,17 2,14 2,12 2,10 2,08 1,95 1,88 1,82 1,76 1,72 30 1001 39,46 14,08 8,46 6,23 5,07 4,36 3,89 3,56 3,31 3,12 2,96 2,84 2,73 2,64 2,57 2,50 2,44 2,39 2,35 2,31 2,27 2,24 2,21 2,18 2,16 2,13 2,11 2,09 2,07 1,94 1,87 1,82 1,75 1,71 40 1006 39,47 14,04 8,41 6,18 5,01 4,31 3,84 3,51 3,26 3,06 2,91 2,78 2,67 2,59 2,51 2,44 2,38 2,33 2,29 2,25 2,21 2,18 2,15 2,12 2,09 2,07 2,05 2,03 2,01 1,88 1,80 1,74 1,68 1,64 50 1008 39,48 14,01 8,38 6,14 4,98 4,28 3,81 3,47 3,22 3,03 2,87 2,74 2,64 2,55 2,47 2,41 2,35 2,30 2,25 2,21 2,17 2,14 2,11 2,08 2,05 2,03 2,01 1,99 1,97 1,83 1,75 1,70 1,63 1,59 60 1010 39,48 13,99 8,36 6,12 4,96 4,25 3,78 3,45 3,20 3,00 2,85 2,72 2,61 2,52 2,45 2,38 2,32 2,27 2,22 2,18 2,14 2,11 2,08 2,05 2,03 2,00 1,98 1,96 1,94 1,80 1,72 1,67 1,60 1,56 80 1012 39,49 13,97 8,33 6,10 4,93 4,23 3,76 3,42 3,17 2,97 2,82 2,69 2,58 2,49 2,42 2,35 2,29 2,24 2,19 2,15 2,11 2,08 2,05 2,02 1,99 1,97 1,94 1,92 1,90 1,76 1,68 1,63 1,55 1,51 100 1013 39,49 13,96 8,32 6,08 4,92 4,21 3,74 3,40 3,15 2,96 2,80 2,67 2,56 2,47 2,40 2,33 2,27 2,22 2,17 2,13 2,09 2,06 2,02 2,00 1,97 1,94 1,92 1,90 1,88 1,74 1,66 1,60 1,53 1,48
- 65 -
03/03/2007
TEST UNILATERAL
2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 40 50 60 80 100 1 161,4 18,51 10,13 7,71 6,61 5,99 5,59 5,32 5,12 4,96 4,84 4,75 4,67 4,60 4,54 4,49 4,45 4,41 4,38 4,35 4,32 4,30 4,28 4,26 4,24 4,23 4,21 4,20 4,18 4,17 4,08 4,03 4,00 3,96 3,94 2 199,5 19,00 9,55 6,94 5,79 5,14 4,74 4,46 4,26 4,10 3,98 3,89 3,81 3,74 3,68 3,63 3,59 3,55 3,52 3,49 3,47 3,44 3,42 3,40 3,39 3,37 3,35 3,34 3,33 3,32 3,23 3,18 3,15 3,11 3,09 3 215,7 19,16 9,28 6,59 5,41 4,76 4,35 4,07 3,86 3,71 3,59 3,49 3,41 3,34 3,29 3,24 3,20 3,16 3,13 3,10 3,07 3,05 3,03 3,01 2,99 2,98 2,96 2,95 2,93 2,92 2,84 2,79 2,76 2,72 2,70 4 224,6 19,25 9,12 6,39 5,19 4,53 4,12 3,84 3,63 3,48 3,36 3,26 3,18 3,11 3,06 3,01 2,96 2,93 2,90 2,87 2,84 2,82 2,80 2,78 2,76 2,74 2,73 2,71 2,70 2,69 2,61 2,56 2,53 2,49 2,46 5 230,2 19,30 9,01 6,26 5,05 4,39 3,97 3,69 3,48 3,33 3,20 3,11 3,03 2,96 2,90 2,85 2,81 2,77 2,74 2,71 2,68 2,66 2,64 2,62 2,60 2,59 2,57 2,56 2,55 2,53 2,45 2,40 2,37 2,33 2,31 6 234,0 19,33 8,94 6,16 4,95 4,28 3,87 3,58 3,37 3,22 3,09 3,00 2,92 2,85 2,79 2,74 2,70 2,66 2,63 2,60 2,57 2,55 2,53 2,51 2,49 2,47 2,46 2,45 2,43 2,42 2,34 2,29 2,25 2,21 2,19 7 236,8 19,35 8,89 6,09 4,88 4,21 3,79 3,50 3,29 3,14 3,01 2,91 2,83 2,76 2,71 2,66 2,61 2,58 2,54 2,51 2,49 2,46 2,44 2,42 2,40 2,39 2,37 2,36 2,35 2,33 2,25 2,20 2,17 2,13 2,10 8 238,9 19,37 8,85 6,04 4,82 4,15 3,73 3,44 3,23 3,07 2,95 2,85 2,77 2,70 2,64 2,59 2,55 2,51 2,48 2,45 2,42 2,40 2,37 2,36 2,34 2,32 2,31 2,29 2,28 2,27 2,18 2,13 2,10 2,06 2,03 9 240,5 19,38 8,81 6,00 4,77 4,10 3,68 3,39 3,18 3,02 2,90 2,80 2,71 2,65 2,59 2,54 2,49 2,46 2,42 2,39 2,37 2,34 2,32 2,30 2,28 2,27 2,25 2,24 2,22 2,21 2,12 2,07 2,04 2,00 1,97 10 241,9 19,40 8,79 5,96 4,74 4,06 3,64 3,35 3,14 2,98 2,85 2,75 2,67 2,60 2,54 2,49 2,45 2,41 2,38 2,35 2,32 2,30 2,27 2,25 2,24 2,22 2,20 2,19 2,18 2,16 2,08 2,03 1,99 1,95 1,93 11 243,0 19,40 8,76 5,94 4,70 4,03 3,60 3,31 3,10 2,94 2,82 2,72 2,63 2,57 2,51 2,46 2,41 2,37 2,34 2,31 2,28 2,26 2,24 2,22 2,20 2,18 2,17 2,15 2,14 2,13 2,04 1,99 1,95 1,91 1,89 12 243,9 19,41 8,74 5,91 4,68 4,00 3,57 3,28 3,07 2,91 2,79 2,69 2,60 2,53 2,48 2,42 2,38 2,34 2,31 2,28 2,25 2,23 2,20 2,18 2,16 2,15 2,13 2,12 2,10 2,09 2,00 1,95 1,92 1,88 1,85 13 244,7 19,42 8,73 5,89 4,66 3,98 3,55 3,26 3,05 2,89 2,76 2,66 2,58 2,51 2,45 2,40 2,35 2,31 2,28 2,25 2,22 2,20 2,18 2,15 2,14 2,12 2,10 2,09 2,08 2,06 1,97 1,92 1,89 1,84 1,82 14 245,4 19,42 8,71 5,87 4,64 3,96 3,53 3,24 3,03 2,86 2,74 2,64 2,55 2,48 2,42 2,37 2,33 2,29 2,26 2,22 2,20 2,17 2,15 2,13 2,11 2,09 2,08 2,06 2,05 2,04 1,95 1,89 1,86 1,82 1,79 15 245,9 19,43 8,70 5,86 4,62 3,94 3,51 3,22 3,01 2,85 2,72 2,62 2,53 2,46 2,40 2,35 2,31 2,27 2,23 2,20 2,18 2,15 2,13 2,11 2,09 2,07 2,06 2,04 2,03 2,01 1,92 1,87 1,84 1,79 1,77 16 246,5 19,43 8,69 5,84 4,60 3,92 3,49 3,20 2,99 2,83 2,70 2,60 2,51 2,44 2,38 2,33 2,29 2,25 2,21 2,18 2,16 2,13 2,11 2,09 2,07 2,05 2,04 2,02 2,01 1,99 1,90 1,85 1,82 1,77 1,75
F(1 , 2)
1
17 246,9 19,44 8,68 5,83 4,59 3,91 3,48 3,19 2,97 2,81 2,69 2,58 2,50 2,43 2,37 2,32 2,27 2,23 2,20 2,17 2,14 2,11 2,09 2,07 2,05 2,03 2,02 2,00 1,99 1,98 1,89 1,83 1,80 1,75 1,73 18 247,3 19,44 8,67 5,82 4,58 3,90 3,47 3,17 2,96 2,80 2,67 2,57 2,48 2,41 2,35 2,30 2,26 2,22 2,18 2,15 2,12 2,10 2,08 2,05 2,04 2,02 2,00 1,99 1,97 1,96 1,87 1,81 1,78 1,73 1,71 19 247,7 19,44 8,67 5,81 4,57 3,88 3,46 3,16 2,95 2,79 2,66 2,56 2,47 2,40 2,34 2,29 2,24 2,20 2,17 2,14 2,11 2,08 2,06 2,04 2,02 2,00 1,99 1,97 1,96 1,95 1,85 1,80 1,76 1,72 1,69 20 248,0 19,45 8,66 5,80 4,56 3,87 3,44 3,15 2,94 2,77 2,65 2,54 2,46 2,39 2,33 2,28 2,23 2,19 2,16 2,12 2,10 2,07 2,05 2,03 2,01 1,99 1,97 1,96 1,94 1,93 1,84 1,78 1,75 1,70 1,68 21 248,3 19,45 8,65 5,79 4,55 3,86 3,43 3,14 2,93 2,76 2,64 2,53 2,45 2,38 2,32 2,26 2,22 2,18 2,14 2,11 2,08 2,06 2,04 2,01 2,00 1,98 1,96 1,95 1,93 1,92 1,83 1,77 1,73 1,69 1,66 22 248,6 19,45 8,65 5,79 4,54 3,86 3,43 3,13 2,92 2,75 2,63 2,52 2,44 2,37 2,31 2,25 2,21 2,17 2,13 2,10 2,07 2,05 2,02 2,00 1,98 1,97 1,95 1,93 1,92 1,91 1,81 1,76 1,72 1,68 1,65
= 0,05
23 248,8 19,45 8,64 5,78 4,53 3,85 3,42 3,12 2,91 2,75 2,62 2,51 2,43 2,36 2,30 2,24 2,20 2,16 2,12 2,09 2,06 2,04 2,01 1,99 1,97 1,96 1,94 1,92 1,91 1,90 1,80 1,75 1,71 1,67 1,64 24 249,1 19,45 8,64 5,77 4,53 3,84 3,41 3,12 2,90 2,74 2,61 2,51 2,42 2,35 2,29 2,24 2,19 2,15 2,11 2,08 2,05 2,03 2,01 1,98 1,96 1,95 1,93 1,91 1,90 1,89 1,79 1,74 1,70 1,65 1,63 25 249,3 19,46 8,63 5,77 4,52 3,83 3,40 3,11 2,89 2,73 2,60 2,50 2,41 2,34 2,28 2,23 2,18 2,14 2,11 2,07 2,05 2,02 2,00 1,97 1,96 1,94 1,92 1,91 1,89 1,88 1,78 1,73 1,69 1,64 1,62 26 249,5 19,46 8,63 5,76 4,52 3,83 3,40 3,10 2,89 2,72 2,59 2,49 2,41 2,33 2,27 2,22 2,17 2,13 2,10 2,07 2,04 2,01 1,99 1,97 1,95 1,93 1,91 1,90 1,88 1,87 1,77 1,72 1,68 1,63 1,61 27 249,6 19,46 8,63 5,76 4,51 3,82 3,39 3,10 2,88 2,72 2,59 2,48 2,40 2,33 2,27 2,21 2,17 2,13 2,09 2,06 2,03 2,00 1,98 1,96 1,94 1,92 1,90 1,89 1,88 1,86 1,77 1,71 1,67 1,63 1,60 28 249,8 19,46 8,62 5,75 4,50 3,82 3,39 3,09 2,87 2,71 2,58 2,48 2,39 2,32 2,26 2,21 2,16 2,12 2,08 2,05 2,02 2,00 1,97 1,95 1,93 1,91 1,90 1,88 1,87 1,85 1,76 1,70 1,66 1,62 1,59 29 250,0 19,46 8,62 5,75 4,50 3,81 3,38 3,08 2,87 2,70 2,58 2,47 2,39 2,31 2,25 2,20 2,15 2,11 2,08 2,05 2,02 1,99 1,97 1,95 1,93 1,91 1,89 1,88 1,86 1,85 1,75 1,69 1,66 1,61 1,58 30 250,1 19,46 8,62 5,75 4,50 3,81 3,38 3,08 2,86 2,70 2,57 2,47 2,38 2,31 2,25 2,19 2,15 2,11 2,07 2,04 2,01 1,98 1,96 1,94 1,92 1,90 1,88 1,87 1,85 1,84 1,74 1,69 1,65 1,60 1,57 40 251,1 19,47 8,59 5,72 4,46 3,77 3,34 3,04 2,83 2,66 2,53 2,43 2,34 2,27 2,20 2,15 2,10 2,06 2,03 1,99 1,96 1,94 1,91 1,89 1,87 1,85 1,84 1,82 1,81 1,79 1,69 1,63 1,59 1,54 1,52 50 251,8 19,48 8,58 5,70 4,44 3,75 3,32 3,02 2,80 2,64 2,51 2,40 2,31 2,24 2,18 2,12 2,08 2,04 2,00 1,97 1,94 1,91 1,88 1,86 1,84 1,82 1,81 1,79 1,77 1,76 1,66 1,60 1,56 1,51 1,48 60 252,2 19,48 8,57 5,69 4,43 3,74 3,30 3,01 2,79 2,62 2,49 2,38 2,30 2,22 2,16 2,11 2,06 2,02 1,98 1,95 1,92 1,89 1,86 1,84 1,82 1,80 1,79 1,77 1,75 1,74 1,64 1,58 1,53 1,48 1,45 80 252,7 19,48 8,56 5,67 4,41 3,72 3,29 2,99 2,77 2,60 2,47 2,36 2,27 2,20 2,14 2,08 2,03 1,99 1,96 1,92 1,89 1,86 1,84 1,82 1,80 1,78 1,76 1,74 1,73 1,71 1,61 1,54 1,50 1,45 1,41 100 253,0 19,49 8,55 5,66 4,41 3,71 3,27 2,97 2,76 2,59 2,46 2,35 2,26 2,19 2,12 2,07 2,02 1,98 1,94 1,91 1,88 1,85 1,82 1,80 1,78 1,76 1,74 1,73 1,71 1,70 1,59 1,52 1,48 1,43 1,39
- 66 -
03/03/2007
ANNEXE 7 : LOI DE 2 (LOI DE KHI DEUX)
Figures tires de "Guide du technicien qualit", B. BOITEUX, Delagrave, 2001 TEST BILATERAL
= 0,05
2 2 0,025 0,975
1
0,001 5,02
2
0,05 7,38
3
0,22 9,35
4
0,48 11,14
5
0,83 12,83
6
1,24 14,45
7
1,69 16,01
8
2,18 17,53
9
2,70 19,02
10
3,25 20,48
11
3,82 21,92
12
4,40 23,34
13
5,01 24,74
14
5,63 26,12
15
6,26 27,49
16
6,91 28,85
17
7,56 30,19
= 0,05 20,025
2 0,975
18
8,23 31,53
19
8,91 32,85
20
9,59 34,17
21
10,28 35,48
22
10,98 36,78
23
11,69 38,08
24
12,40 39,36
25
13,12 40,65
26
13,84 41,92
27
14,57 43,19
28
15,31 44,46
29
16,05 45,72
30
16,79 46,98
35
20,57 53,20
50
32,36 71,42
75
52,94 100,84
100
74,22 129,56
= 0,01 20,005 20,995
1
0,00004 7,88
2
0,01 10,60
3
0,07 12,84
4
0,21 14,86
5
0,41 16,75
6
0,68 18,55
7
0,99 20,28
8
1,34 21,95
9
1,73 23,59
10
2,16 25,19
11
2,60 26,76
12
3,07 28,30
13
3,57 29,82
14
4,07 31,32
15
4,60 32,80
16
5,14 34,27
17
5,70 35,72
= 0,01 20,005 20,995
18
6,26 37,16
19
6,84 38,58
20
7,43 40,00
21
8,03 41,40
22
8,64 42,80
23
9,26 44,18
24
9,89 45,56
25
10,52 46,93
26
11,16 48,29
27
11,81 49,65
28
12,46 50,99
29
13,12 52,34
30
13,79 53,67
35
17,19 60,27
50
27,99 79,49
75
47,21 110,3
100
67,33 140,2
- 67 -
Philippe TRIBOULET (Lyce Niepce Chalon sur Sane) TEST UNILATERAL
= 0,05 20,05 20,95 1

0,004 3,84
03/03/2007
2
0,10 5,99
3
0,35 7,81
4
0,71 9,49
5
1,15 11,07
6
1,64 12,59
7
2,17 14,07
8
2,73 15,51
9
3,33 16,92
10
3,94 18,31
11
4,57 19,68
12
5,23 21,03
13
5,89 22,36
14
6,57 23,68
15
7,26 25,00
16
7,96 26,30
17
8,67 27,59
= 0,05 20,05 20,95
18
9,39 28,87
19
10,12 30,14
20
10,85 31,41
21
11,59 32,67
22
12,34 33,92
23
13,09 35,17
24
13,85 36,42
25
14,61 37,65
26
15,38 38,89
27
16,15 40,11
28
16,93 41,34
29
17,71 42,56
30
18,49 43,77
35
22,47 49,80
50
34,76 67,50
75
56,05 96,22
100
77,93 124,3
= 0,01 20,01 20,99
1
0,00016 6,63
2
0,02 9,21
3
0,11 11,34
4
0,30 13,28
5
0,55 15,09
6
0,87 16,81
7
1,24 18,48
8
1,65 20,09
9
2,09 21,67
10
2,56 23,21
11
3,05 24,73
12
3,57 26,22
13
4,11 27,69
14
4,66 29,14
15
5,23 30,58
16
5,81 32,00
17
6,41 33,41
= 0,01 20,01 20,99
18
7,01 34,81
19
7,63 36,19
20
8,26 37,57
21
8,90 38,93
22
9,54 40,29
23
10,20 41,64
24
10,86 42,98
25
11,52 44,31
26
12,20 45,64
27
12,88 46,96
28
13,56 48,28
29
14,26 49,59
30
14,95 50,89
35
18,51 57,34
50
29,71 76,15
75
49,48 106,4
100
70,06 135,8
- 68 -

Applic Stat

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Applic Stat

Hochgeladen von

Copyright:

Verfügbare Formate

Philippe TRIBOULET (Lyce Niepce Chalon sur Sane)

APPLICATION DE LA STATISTIQUE AU TRAITEMENT DES DONNES AU LABORATOIRE D'ANALYSES ET EN FABRICATION

Philippe TRIBOULET (Lyce Niepce Chalon sur Sane)

II/ PARAMETRES STATISTIQUES D'UNE SRIE STATISTIQUE

La moyenne est trs sensible aux valeurs extrmes.

cart type moyenne

3/ Autre reprsentation des donnes : "la bote moustaches"

Philippe TRIBOULET (Lyce Niepce Chalon sur Sane)

Lot Lot 1 Lot 2

1 1 = (x 8 + x 9 ) = 0,5 (1,0005 + 1,0047 ) = 1,0026 x 16 + x 16 +1 2 2 2 2

Pour le quartile Q1, l'application de la relation entrane une valeur de rang de

Donc Q1 = 0,9911 + (4,25 4 ) (0,9922 0,9911) = 0,9914 .

Philippe TRIBOULET (Lyce Niepce Chalon sur Sane)

III/ REPRESENTATION SOUS FORME D'HISTOGRAMME

avec n le nombre total de mesures.

Gnralement on ne dpasse pas 20 classes. intervalle de classe h :

limite infrieure de la premire classe :

xmin rsolution de mesure

Le nombre de classe k est: L'tendue R est:

k = 60 8 R = 5,20 4,30 = 0,90

Philippe TRIBOULET (Lyce Niepce Chalon sur Sane)

L'intervalle de classe h est:

La limite infrieure de premire classe est 4,30

0,5 . 0,01 = 4,295.

Philippe TRIBOULET (Lyce Niepce Chalon sur Sane)

0 4,295 4,415 4,535 4,655 4,775 4,895 5,015 5,135 5,255

0 4,295 4,415 4,535 4,655 4,775 4,895 5,015 5,135 5,255

Philippe TRIBOULET (Lyce Niepce Chalon sur Sane)

IV/ TEST DE VALEURS ABERRANTES

On obtient la bote moustaches suivante:

Philippe TRIBOULET (Lyce Niepce Chalon sur Sane)

V/ LOI NORMALE (LOI DE GAUSS)

Philippe TRIBOULET (Lyce Niepce Chalon sur Sane)

6 5 4 3 2 1 0 11,75 densit de probabilit probabilits cumules

La fonction de rpartition F(u) est telle que:

Philippe TRIBOULET (Lyce Niepce Chalon sur Sane)

Philippe TRIBOULET (Lyce Niepce Chalon sur Sane)

Philippe TRIBOULET (Lyce Niepce Chalon sur Sane)

VI/ ESTIMATIONS A PARTIR D'UN ECHANTILLON

1/ Estimations ponctuelles de la moyenne et de l'cart-type

2/ Estimation par intervalle de confiance de la moyenne

2.1/ Variance 2 connue

Philippe TRIBOULET (Lyce Niepce Chalon sur Sane)

On en dduit que la variable u dfinie par u =

1,96 u +1,96 donc 1,96

avec un niveau de confiance de 95 %

2.2 / Variance 2 inconnue

Philippe TRIBOULET (Lyce Niepce Chalon sur Sane) xm

chantillon. Dans ce cas la quantit t =

= t 15, 0,975 = 2,13

donc 32,8 m 33,2

3/ Choix du risque et du nombre d'essais

4/ Estimation par intervalle de confiance de l'cart-type

2 2 A l'aide de la table de 2 on trouve: 16 1,1 0,05 / 2 = 27,49 et 16 1, 0,05 / 2 = 6,26

donc 0,28 0,59

Philippe TRIBOULET (Lyce Niepce Chalon sur Sane)

VII/ PRINCIPE DES TESTS STATISTIQUES 1/ Gnralits sur les tests

2/ Construction et exploitation d'un test

Philippe TRIBOULET (Lyce Niepce Chalon sur Sane)

3/ Les deux types de risque et la puissance d'un test

Ralit Dcision prise

dcision correcte H0 accepte

dcision errone H0 refuse

consquences produit qualit cot