Université Paris Nanterre Emilie Lebarbier et Marie Théret

Licence 2 Economie-Gestion

Livret d’exercices de Tests statistiques

Séance 1
Manipulation de la fonction de répartition et de la fonction quantile de la loi gaussienne
Exercice 1
Le débit journalier X en hectolitres d’une station-service est supposé suivre une loi normale de moyenne 100 et de
variance 400 : X ∼ N (100; 400).
1. Exprimer la probabilité que le débit journalier soit inférieur à 130 hl en fonction de F la fonction de répartition
de la loi N (0, 1). A l’aide de la table des valeurs approchées de F fournie en annexe, en déduire une valeur
approchée de cette probabilité.
2. Quelle est la probabilité que le débit journalier soit inférieur à 70 hl ?
3. Quelle est la probabilité que le débit journalier soit compris entre 70 hl et 130 hl ?
4. Chaque jour, le gérant commande une certaine quantité d’essence qui est livrée le matin avant l’ouverture
de la station-service. Quelle quantité d’essence doit commander chaque jour le gérant pour que la probabilité
qu’il ne puisse pas répondre à la demande soit inférieure à 0, 1 ?

Exercice 2
Une usine utilise une machine automatique pour remplir des flacons contenant un certain produit en poudre. Par
suite de variations aléatoires dans le mécanisme, le poids de poudre par flacon est une variable aléatoire normale de
moyenne m et d’écart-type 1, 1 mg. Les flacons sont vendus comme contenant 100 mg de produit.
1. La machine est réglée sur m = 101, 2 mg. Quelle est la probabilité que le poids de produit dans un flacon soit
inférieur au poids annoncé de 100 mg ?
2. Sur quelle valeur de m faut-il régler la machine pour que la probabilité que le poids d’un flacon soit inférieur
à 100 mg soit inférieure à 0, 4.

Exercice 3
On suppose que la distribution du quotient intellectuel dans une population d’enfants âgés de 7 ans suit une loi
normale de moyenne 100 et d’écart-type 15.
1. Quelle est la proportion d’enfants de la population qui ont un QI inférieur à 106 ?
2. Quelle est la proportion d’enfants de la population qui ont un QI compris entre 90 et 110 ?
3. Quelle est la proportion d’enfants de la population qui ont un QI compris entre 80 et 120 ?
4. Quel est le QI au-dessous duquel se situent 95% des enfants de 7 ans ?
5. Quel est le QI au-dessous duquel se situent 25% des enfants de 7 ans ?

Exercice 4
Le test de Boëhm-R (Boëhm révisé) est destiné à apprécier chez l’enfant la maı̂trise des concepts de base, essentiels
pour la compréhension des consignes verbales et fondamentaux pour la réussite scolaire. On suppose que le résultat
à ce test suit une distribution normale de moyenne 60 et d’écart-type 17 dans la population des enfants de grandes
sections d’une école maternelle.
1. Quelle est la proportion d’enfants ayant un résultat inférieur à 70 ?
2. Quelle est la proportion d’enfants ayant un résultat inférieur à 30 ?
3. Quelle est la proportion d’enfants ayant un résultat compris entre 26 et 94 ?
4. Si l’on décidait d’accepter au CP tous les enfants ayant un résultat supérieur à 40, quelle serait la proportion
d’enfants admis en CP ?
5. Inversement, si l’on décidait d’accepter 99% des enfants de grande section en CP, quel serait le résultat
minimum requis pour passer au CP ?
6. On désire regrouper les résultats en trois catégories (concepts non maı̂trisés, concepts en cours d’acquisition,
concepts maı̂trisés) contenant chacune un tiers des enfants : calculer les deux valeurs permettant de définir
les bornes de ces catégories.

1
Exercice 5
Dans un centre avicole, des études ont montré que la masse X d’un œuf (en grammes) peut être considérée comme
la réalisation d’une variable aléatoire de loi normale N (m, σ 2 ) avec m = 55 et σ = 3.
1. Quelle est la probabilité que la masse d’un œuf soit inférieure à 59, 5 ?
2. Quelle est la probabilité que la masse d’un œuf soit supérieure à 50, 5 ?
3. En dessous de quelle masse se trouvent un tiers des œufs ?

Séance 2
Loi de la moyenne empirique (cadre gaussien)
Exercice 1
D’après l’INSEE, l’âge moyen des Français en 2012 est de 40, 4 ans avec un écart-type de 24 ans. On fait l’approxima-
tion que la distribution de l’âge des Français est gaussienne. On s’intéresse à l’âge moyen obtenu sur un échantillon
de 55 Français tirés au sort.
1. Quelle est la loi de l’âge moyen d’un échantillon.
2. Quelle est la proportion des Français dont l’âge est inférieur à 20 ans ?
3. Quelle est la probabilité d’observer sur un tel échantillon un âge moyen inférieur à 20 ans ?
4. Quelle est la probabilité d’observer sur un tel échantillon un âge moyen supérieur à 42 ans ?
5. Quel est le quantile d’ordre 0, 8 de la loi de l’âge moyen d’un tel échantillon ?

Exercice 2
On soumet la main-d’oeuvre d’une entreprise à un test d’aptitude pour exécuter une certaine tâche. D’après les
standards établis, les résultats au test sont distribués suivant une loi normale d’espérance 150 et d’écart-type 10.
1. On fait passer un test à 25 individus de l’entreprise choisis au hasard : la réalisation de la moyenne empirique
sur l’échantillon est de 154, 7.
(a) Déterminer la loi de la moyenne empirique de l’échantillon.
(b) Calculer la probabilité, en tirant au hasard un échantillon de taille 25, d’observer une moyenne d’échantillon
supérieure ou égale à 154, 7.
2. On décide de faire passer le test à 36 employés choisis au hasard. Quelle est la probabilité d’observer une
moyenne d’échantillon supérieure à 154, 7 ?

Loi de la moyenne empirique (cadre asymptotique)

Exercice 3
Le test de Fagerström mesure le degré de dépendance tabagique. Le score obtenu à ce test indique le degré de
dépendance. Dans une population de fumeurs, le score obtenu à ce questionnaire a pour moyenne 5 et pour écart-
type 4, 5. On dispose du score de 45 fumeurs tirés au sort dans cette population.
1. Que sait-on sur la loi exacte de la moyenne empirique d’un tel échantillon ?
Dans la suite, on pourra utiliser une approximation normale pour répondre aux questions.
2. Calculer la probabilité d’observer, sur un tel échantillon, un score moyen inférieur à 6.
3. Calculer la probabilité d’observer, sur un tel échantillon, un score moyen inférieur à 3.
4. À quelle valeur le score moyen d’un tel échantillon est-il inférieur avec une probabilité de 0, 9 ?

Loi de la fréquence empirique (cadre asymptotique)

Exercice 4
Une étude parue dans le British Medical Journal en 2005 portait sur l’écart entre les naissances de garçons et de
filles en Chine entre 2000 et 2004. Sur un échantillon de 5000 enfants nés dans cette période, 2768 sont des garçons.
En biologie, le sex-ratio indique la proportion de mâles à la naissance dans une espèce donnée. Chez l’homme il est
de 52%.
1. Modéliser l’expérience, en faisant apparaı̂tre les variables aléatoires associées aux sexes des 5000 enfants nés
sur cette période.

2
 2. On veut évaluer la probabilité d’obtenir, sur un tel échantillon, une proportion de garçons au moins aussi
élevée que celle observée dans l’échantillon du British Medical Journal.
(a) Quelle est la loi de la fréquence empirique de garçons dans l’échantillon ?
(b) Utiliser une approximation normale pour calculer une valeur approchée de la probabilité recherchée. Que
peut-on en conclure ?

Exercice 5
D’après une étude de marketing, 25% des consommateurs seraient influencés par la marque lors de l’achat d’un
produit. On interroge 80 consommateurs choisis au hasard et on leur demande si oui ou non ils sont influencés par
la marque d’un produit lors de leurs achats.
1. Caractériser la loi du nombre de ”oui” obtenus en interrogeant un tel échantillon de 80 consommateurs.
Dans la suite, on pourra utiliser une approximation normale pour répondre aux questions.
2. Calculer la probabilité pour que, dans un tel échantillon, au moins 30 se déclarent influencés par la marque.
3. Donner un intervalle centré autour de 0, 25 tel que la probabilité que la fréquence empirique appartienne à
cet intervalle soit égale à 0, 8.

Séance 3
Estimateur et IC sur le paramètre de moyenne : cas d’une distribution gaussienne à
variance connue
Exercice 1
On suppose que la distribution de la note X obtenue en mathématiques par un étudiant en Gestion choisi au hasard
est une loi normale de moyenne m inconnue et d’écart-type σ = 2, 65. Pour un échantillon de 28 étudiants, on a
observé
28
X
xi = 291 .
i=1

1. Donner un estimateur de la moyenne m de X et rappelez ses propriétés.

2. Donner une estimation de m.
3. Estimer cette même moyenne m par un intervalle de confiance de niveau de confiance 0, 90, et calculer sa
réalisation sur les observations.

Exercice 2
On pèse 15 paquets de riz choisis au hasard dans une chaı̂ne de production et on relève leurs poids xi en kilogrammes.
On obtient le résultat suivant :
X15
xi = 15, 206
i=1

On suppose que le poids X des paquets de riz est distribué selon une loi normale d’écart-type 0, 05. On note m le
poids moyen des paquets de riz produits par la chaı̂ne de production.
1. Donner un estimateur et une estimation de m.
2. Calculer un intervalle de confiance pour m au niveau de confiance 0, 95 et 0, 99, et calculer sa réalisation sur
les observations.

Exercice 3
Une association de consommateurs souhaite estimer la distance moyenne parcourue par des pneus d’une marque
italienne. Des tests réalisés sur un échantillon de 25 pneus ont indiqué en moyenne 45 250 kilomètres. En supposant
que la distance parcourue par un pneu suit une loi normale d’écart-type 1600 kilomètres, donner un intervalle de
confiance de niveau de confiance 0, 99 sur la distance moyenne parcourue par les pneus de cette marque italienne.

3
Estimateur et IC sur les paramètres de moyenne et variance : cas d’une distribution
gaussienne à variance inconnue
Exercice 4
On suppose que la distribution du prix X d’un billet aller-retour à prix réduit entre New York et San Francisco suit
une loi normale. On a relevé, pour un échantillon de 15 billets vendus au mois de septembre, les prix suivants :

310 260 265 255 300 310 230 250 265 280 290 240 285 250 260

On note m = E(X) et σ 2 = V ar(X).

1. Donner un estimateur et une estimation de m, le prix moyen d’un billet.
2. Donner un estimateur et une estimation de σ 2 .
3. Donner un intervalle de confiance de niveau de confiance 0, 95 pour m.
4. Donner un intervalle de confiance de niveau de confiance 0, 95 pour σ 2 .

Exercice 5
On a tiré un échantillon de 375 personnes parmi des hommes de 50 à 69 ans, mesuré leur taux de cholestérol X et
obtenu
375
X 375
X
xi = 74 750 x2i = 15 695 900
i=1 i=1

On suppose que la distribution de X est une loi normale.

1. Donner une estimation de la moyenne m et de la variance σ 2 de X.
2. Donner un intervalle de confiance sur la moyenne de X au niveau de confiance 0, 95.

Séance 4
IC Asymptotique sur le paramètre de moyenne
Exercice 1
On a mesuré le temps passé quotidiennement devant la télévision par un adolescent. Sur un échantillon de 80
adolescents, on a calculé les quantités suivantes :
80
X 80
X
xi = 257, 33 x2i = 874, 78
i=1 i=1

1. Donner un estimateur et une estimation de la moyenne et de la variance du temps passé devant la télévision.
2. Estimer cette même moyenne par un intervalle de confiance asymptotique de niveau de confiance 0, 95.

Exercice 2
On a mesuré, pour un échantillon de 300 enfants de 10 ans, leur poids X et obtenu :
300
X 300
X
xi = 8 817, 6 x2i = 263 931, 9
i=1 i=1

1. Donner un estimateur et une estimation du poids moyen m d’un enfant de 10 ans.

2. Donner un intervalle de confiance asymptotique de niveau de confiance 0, 98 pour m.

IC Asymptotique sur le paramètre de moyenne : cas d’une distribution de Bernoulli

Exercice 3
Peu de temps avant une élection, un candidat fait réaliser un sondage. Parmi 150 électeurs interrogés, 45 se disent
prêts à voter pour lui.
1. Donner un estimateur et une estimation de la proportion p d’électeurs prêts à voter pour lui.
2. Donner un intervalle de confiance asymptotique de niveau de confiance 0, 90 sur p.

4
Exercice 4
Sur un échantillon de 1000 amateurs de café, 300 personnes disent préférer le robusta à l’arabica.
1. Donner un intervalle de confiance asymptotique de niveau de confiance 0, 97 pour la proportion d’individus
préférant le robusta.
2. Donner un intervalle de confiance asymptotique de niveau de confiance 0, 97 pour la proportion d’individus
préférant l’arabica.

Exercice 5
On considère un échantillon de 100 véhicules prélevés au hasard dans le parc des véhicules mis en service depuis six
mois. Ce parc contient suffisamment de véhicules pour qu’on puisse assimiler ce tirage à un tirage avec remise. On
constate que 91 véhicules de cet échantillon n’ont pas eu de sinistre.
1. Donner un estimateur et une estimation de la proportion p de véhicules de ce parc qui n’ont pas eu de sinistre
6 mois après leur mise en service.
2. Déterminer un intervalle de confiance asymptotique pour p de niveau de confiance 0, 95.

Séance 5
Tests sur le paramètre de moyenne : cas d’une distribution gaussienne à variance connue
Exercice 1
Un négociant en vin s’intéresse à la contenance des bouteilles d’un producteur soupçonné par certains clients de
frauder. Il souhaite s’assurer que cette contenance respecte bien en moyenne la limite légale de 75 cl. À cet effet, il
mesure le contenu de 10 bouteilles prises au hasard et obtient les valeurs suivantes (en cl) :

73, 2 72, 6 74, 5 75 75, 5 73, 7 74, 1 75, 8 74, 8 75

On suppose que la contenance d’une bouteille (en cl) suit une loi gaussienne de moyenne m inconnue et d’écart-type
σ égal à 1.
1. Écrire le modèle statistique correspondant.
2. Donner une estimation de m.
3. Le négociant décide de tester les hypothèses suivantes :

H0 ={m = 75} contre H1 ={m < 75}

Quel point de vue le négociant adopte-t-il en choisissant ces hypothèses ?

4. Donner la statistique de test de ce test et sa loi sous H0 . Que vaut sa réalisation ?
5. On fixe le risque de se tromper α à 5%. Donner la définition de ce risque et interpréter.
6. Donner la région de rejet et conclure.

Exercice 2
Le poids moyen d’une truite d’élevage au bout d’un an est de 250 g. C’est la norme retenue pour qu’elle puisse être
vendue afin de repeupler une rivière. Un pisciculteur teste dans son élevage de truites une nouvelle alimentation
enrichie en produits végétaux. Il souhaite vérifier que cette alimentation a une influence positive sur le poids de
ses truites, c’est-à-dire que le poids moyen est supérieur à la norme. Pour cela, il choisit au hasard 30 truites dans
son élevage et obtient un poids moyen de 273, 6 g. On suppose que le poids d’une truite est modélisée par une loi
gaussienne de moyenne m inconnue et d’écart-type σ = 45. Que va conclure le pisciculteur au risque de 5% ?

Exercice 3
Un chercheur émet l’hypothèse que les étudiants d’une université dépensent en moyenne 150 euros par semaine pour
leurs frais de logement et de nourriture. Pour tester la validité de cette hypothèse, il sélectionne 80 étudiants et
observe sur cet échantillon une dépense moyenne de 153, 75 euros. On suppose que la dépense d’un étudiant par mois
est modélisée par une loi gaussienne de moyenne m inconnue et d’écart-type σ = 27. Au risque 5%, peut-on accepter
l’hypothèse émise par le chercheur ?

5
Tests sur le paramètre de moyenne : cas d’une distribution gaussienne à variance
inconnue
Exercice 4
Dans la population, la glycémie (mesurée en gramme par litre de plasma sanguin) moyenne est de 0, 85gl−1 . On a
relevé la glycémie de 15 femmes enceintes en fin de grossesse. On obtient que
15
X 15
X
xi = 13, 755 et x2i = 12, 924
i=1 i=1

On suppose que la glycémie suit une loi gaussienne de moyenne m inconnue et de variance σ 2 inconnue. On cherche
à savoir si la glycémie moyenne observée est anormalement élevée au risque de 5%.
1. Écrire le modèle statistique correspondant.
2. Donner une estimation de la moyenne m et de la variance (on utilisera la variance empirique modifée).
3. Donner les hypothèses, la statistique de test et sa loi sous H0 . Conclure

Séance 6
Tests sur le paramètre de moyenne dans le cas d’une distribution gaussienne à variance
inconnue et dans le cas d’une distribution non gaussienne
Exercice 1
D’après l’Agence France-Presse, en 2010, la crise publicitaire semble être plus importante qu’en 2009 pour la chaı̂ne
de télévision M6. En 2009, la chaı̂ne enregistrait des recettes publicitaires mensuelles de 50.5 millions d’euros en
moyenne. Ces recettes s’établissent pour les 12 mois de l’année 2010 (en millions d’euros) à

50, 6 49, 6 51, 7 55, 1 52, 3 48, 3 55, 2 46, 8 42, 6 43, 2 51, 2 50, 6

On obtient une moyenne de 49, 77 et une variance de 16, 09 (variance modifiée). On suppose que la recette publicitaire
suit une loi gaussienne de moyenne m inconnue et de variance σ 2 inconnue. Peut-on conclure à une réelle baisse des
investissements publicitaires sur M6, au risque de 1% ?

Exercice 2
Les spécifications d’un médicament indiquent que chaque comprimé doit contenir en moyenne 1, 5g de substance
active. On s’intéresse en particulier à un laboratoire : on analyse 100 comprimés choisis au hasard et on obtient une
moyenne de 1, 552g avec un écart-type de 0, 257g (écart-type classique). On suppose que la teneur en cette substance
active suit une loi gaussienne de moyenne m inconnue et de variance σ 2 inconnue. Peut-on affirmer, au risque de 2%,
que le laboratoire respecte l’indication mentionnée ?

Exercice 3
Il y a près de 40 ans, une enquête indiquait que les adolescents de 15 ans consacraient en moyenne 8, 5 heures par
semaine à leurs devoirs à la maison. Aujourd’hui, la même étude est réalisée sur un échantillon de 200 adolescents
de 15 ans. On observe que ceux-ci consacrent en moyenne 7, 1 heures par semaine à leurs devoirs avec un écart-type
de 1,1 heure. La loi du temps consacré aux devoirs n’est pas spécifiée ici. Peut-on conclure, au risque 1%, que les
adolescents de 15 ans d’aujourd’hui consacrent en moyenne moins de temps à leurs devoirs qu’il y a 40 ans ?

Exercice 4
À la suite d’un traitement sur une race de rongeurs, on prélève un échantillon de 85 rongeurs que l’on pèse. On
observe un poids moyen de 82, 6g avec un écart-type 1, 86g. À la même époque, un grand nombre de mesures ont
permis d’établir que les rongeurs non traités avaient un poids moyen de 87, 6g. La loi du poids des rongeurs n’est pas
supposée gaussienne. Au risque de 5%, peut-on affirmer que le traitement a une influence sur le poids ?

6
Séance 7
Tests sur le paramètre de variance
Exercice 1
Sur un marché dans le 18ème arrondissement de Paris, un inspecteur des poids et mesures souhaite obtenir des
informations sur l’erreur de mesure de la balance d’un vendeur de fruits et légumes. PourP cela, il pèse 10 fois un
10
même objet. Les observations sont notées x1 , x2 , . . . , xn . Il obtient une moyenne de 100 et i=1 (xi − 100)2 = 512.
2
On admet qu’une pesée suit une loi gaussienne de moyenne m inconnue et de variance σ . Si la balance est juste
σ = 5 et si elle est déréglée σ > 5. Que va conclure l’inspecteur au risque de 5% ?

Exercice 2
Une méthode de mesure de référence a suggéré que le taux de magnésium d’une certaine eau de source présentait un
écart-type de 15 (mesuré en mg/l). Afin de le vérifer, on a effectué 10 mesures répétées du taux de magnésium et on
a obtenu un écart-type de 8 mg/l. Notons qu’ici l’écart-type considéré est celui associé à la variance non modifiée.
On suppose que le taux de magnésium suit une loi gaussienne de moyenne m inconnue et de variance σ 2 . Peut-on
affimer que le résultat obtenu est significativement différent de celui de la méthode de référence, au risque de 2% ?

Tests sur le paramètre de proportion

Exercice 3
Lors du contrôle fiscal d’une entreprise, afin de détecter et d’identifier plus rapidement une éventuelle zone falsifiée
dans la comptabilité de l’entreprise, un contrôleur relève au hasard 120 montants apparaissant dans cette zone. On
a remarqué que dans des comptes d’entreprises, les zones falsifiées comportent plus de montants commençant par le
chiffre 6 que dans les zones non falsifiées, pour lesquelles la proportion théorique de montants commençant par 6 est
égale à 6.7% (selon la loi de Benford). Le contrôleur décide donc de regarder la proportion de montants commençant
par 6 dans les montants qu’il a relevés, notée p. Parmi les 120 relevés, il en trouve 18 qui commencent par le chiffre
6.
1. Écrire le modèle statistique correspondant.
2. Donner une estimation de p.
3. Le contrôleur décide de tester les hypothèses suivantes :

H0 ={p = 0, 067} contre H1 ={p > 0, 067}

Que signifie ce choix d’hypothèses ?

4. Donner la statistique de test de ce test et sa loi sous H0 .
5. On fixe un risque de α = 5%. Donner la région de rejet et conclure.

Exercice 4
Une enquête réalisée sur un échantillon de 500 ménages a montré que 419 d’entre eux possédaient une connexion
internet. Peut-on, au risque de 5%, rejeter l’hypothèse que 80 % des ménages ont une connexion internet ?

Exercice 5
Une société est spécialisée dans le crédit à la consommation. Ses dirigeants craignent que plus de 10 % des créances
soient douteuses (c’est-à-dire ne soient pas honorées). Un sondage est organisé. On tire au hasard 100 créances et on
observe 16 créances douteuses dans l’échantillon. Au niveau 5%, les craintes des dirigeants sont-elles confirmées ?

Séance 8
Tests de comparaison de deux moyennes
Exercice 1
On étudie l’influence du magnésium sur la croissance d’une moisissure. On procède à deux expériences distinctes :

7
 Expérience 1 : on cultive la moisissure dans 20 boites, on injecte une dose de 5mg dans 10 boites et une dose
de 10mg dans les 10 autres boites. La croissance moyenne dans les 10 premières boites est de 1, 03µm avec un
écart-type (issu de la variance modifée) de 0, 05µm2 , la croissance moyenne dans les 10 dernières boites est
de 1, 11µm avec un écart-type (issu de la variance modifée) de 0, 1µm2 . On suppose que la croissance de la
moisissure dans les 10 premières boites suit une loi gaussienne de moyenne m1 et de variance σ 2 et que celle
des 10 dernières suit une loi gaussienne de moyenne m2 et de variance σ 2 .

Expérience 2 : on cultive la moisissure dans 10 boites, puis on sépare chaque boite en deux. Dans une partie,
on injecte 5mg de magnésium et dans l’autre 10mg. La différence moyenne est égale à −0, 07µm et l’écart-type
de la différence (issu de la variance modifée) est égale à 0, 02µm2 . On suppose que la différence de croissance
suit une loi gaussienne de moyenne d et de variance σ 2 .

1. Expliquer la différence entre les deux expériences.

2. Pour chaque expérience, mettre en oeuvre un test au risque de 1% permettant de tester si il y a une différence
entre les deux doses.
3. Donner les conclusions pour les deux tests. Commenter.

Exercice 2
Neuf malades présentant des symptômes d’anxiété sont choisis au hasard et reçoivent un traitement. On évalue l’état
du malade avant et après traitement par un indice spécifique que le médecin calcule. Si le traitement est efficace,
l’indice doit diminuer. Les valeurs observées de cet indice sont les suivantes :
Avant 1,83 0,5 1,62 2,48 1,68 1,88 1,55 3,06 1,30
Après 0,88 0,65 0,60 2,05 1,06 1,29 1,06 3,14 1,29
Les indices moyens avant et après traitement sont notées respectivement m1 et m2 . On se place ici dans un cadre de
loi gaussienne. Au seuil 1%, peut-on conclure que le traitement est efficace ?

Exercice 3
Dans une coopérative agricole, on désire tester l’effet d’un engrais sur la production de blé. Pour cela, on choisit au
hasard 20 parcelles de terrain de même superficie. La moitié de ces parcelles est traitée avec l’engrais, et l’autre ne
xi = 6, 16 etP x2i = 29, 22 où
P P
l’est pas. Pour les 10 parcelles non traitées, on observe P xi représente la production
en tonnes de la i-ème parcelle. Pour les 10 parcelles traitées, on observe yj = 6, 68 et yj2 = 34, 35 où yj représente
la production en tonnes de la j-ème parcelle. Les productions en tonnes des parcelles traitées et non traitées sont
supposées être distribuées selon une loi gaussienne de même variance.
1. Calculer les moyennes et variances empiriques modifiées pour les deux échantillons.
2. Au risque 10%, peut-on conclure que l’engrais a un effet bénéfique sur la production d’une parcelle ?

Exercice 4

On dispose de deux lots de boı̂tes de sauce italienne conditionnées de la même manière mais provenant de producteurs
différents. On s’intéresse à la teneur en grammes de viande dans celles-ci. On extrait 40 boı̂tes provenant du premier
producteur et on obtient une teneur moyenne de viande de 13, 2 et de variance (modifiée) 2, 4. On extrait 30 boı̂tes
provenant du second producteur et on obtient une teneur moyenne de viande de 15, 28 et de variance (modifiée) 2, 04.
On suppose que la teneur en viande du premier prodcuteur suit une loi gaussienne de moyenne m1 et de variance σ 2
et que celle du second suit une loi gaussienne de moyenne m2 et de variance σ 2 .
Peut-on affirmer qu’il y a une différence entre les producteurs quant à la teneur moyenne en viande dans les boı̂tes,
au risque de 5% ?

Séance 9
Tests de comparaison de deux variances puis deux moyennes
Exercice 1
Lors de la finale de Rolland Garros en 2009, les vitesses de premier service de Robin Söderling ont été en moyenne
plus élevées que celles de Roger Federer. On cherche à déterminer si elles l’ont été de façon significative.

8
On suppose que la vitesse de premier service de Robin Söderling suit une loi gaussienne de moyenne m1 et de variance
σ12 et que celle de Roger Federer suit une loi gaussienne de moyenne m2 et de variance σ22 . Pour n1 = n2 = 20 services,
en notant xi la vitesse du ième service de Robin Söderling et yi celle du ième service de Roger Federer, on observe
20
X 20
X
xi = 3940 et x2i = 780460
i=1 i=1
et
20
X 20
X
yi = 3800 et yi2 = 726080
i=1 i=1

1. Donner une estimation des deux variances (on utilisera la variance empirique modifiée). Montrer à l’aide d’un
test statistique de risque 5% que l’on peut supposer que σ12 = σ22 .
2. Effectuer alors le test des hypothèses suivantes au risque de 5%
H0 ={m1 = m2 } contre H1 ={m1 > m2 }

3. Que signifie ce choix d’hypothèses et quelle est la conclusion du test ?

Tests de comparaison de deux proportions

Exercice 2
Dans un échantillon de 300 personnes choisies au hasard dans la population d’une ville A, on observe que 36 d’entre
elles fument au moins deux paquets de cigarettes par jour. Dans une autre ville B, pour un échantillon de 100
personnes choisies au hasard dans la population de la ville, on observe que 8% fument au moins deux paquets par
jour. On note p1 et p2 la probabilité de fumer au moins deux paquets pour une personne de la villeA et p2 celle de
la ville B. respectivement.
1. Écrire le modèle statistique.
2. Donner une estimation de p1 et p2 .
3. Au risque 1%, peut-on conclure que les proportions de personnes qui fument au moins deux paquets par jour
sont différentes dans les deux villes ?

Exercice 3
On s’intéresse à deux traitements notés T1 et T2 censés soigner une certaine maladie. Pour cela, on choisit au hasard
50 malades que l’on soumet au traitement T1 et on observe que 28 guérissent. De la même façon, on choisit au hasard
60 malades que l’on soumet au traitement T2 et on observe que 24 guérissent. On note p1 la probabilité de guérir
grâce au premier traitement T1 et p2 celle du seconde traitement T2 .
Au risque 10%, peut-on conclure que le traitement T1 est plus efficace que T2 ?

Exercice 4
Un producteur de desserts lactés au caramel se trouve en concurrence avec d’autres marques. Au début de l’année
2010, il décide d’investir dans une nouvelle présentation de ses desserts. Avant d’avoir le bilan de l’année, il fait une
rapide enquête auprès d’un certain nombre de magasins.
— Avant la nouvelle présentation, sur 230 desserts vendus, 54 étaient ceux du producteur.
— Après la nouvelle présentation, sur 340 desserts vendus, 110 étaient ceux du producteur.
On note p1 la proportion de desserts produits par ce producteur parmi ceux vendus avec l’ancienne présentation, et
p2 avec la nouvelle présentation.
Peut-on affimer, au risque de 5% que la nouvelle présentation a augmenté sa part de marché sur les desserts lactés
au caramel ?

Séance 10
Tests d’indépendance entre deux variables quantitatives et qualitatives
Exercice 1
60 salariés d’une entreprise ont été interrogés au cours d’une enquête sur leur revenu imposable (variable X) et leur
épargne (variable Y ) annuelles. On obtient un coefficient de corrélation empirique de 0, 76. On suppose que les deux
variables sont distribuées selon une loi gaussienne.
Au risque de 1%, existe-t’il un lien significatif entre le revenu et l’épargne ?

9
Exercice 2
Un organisme de sécurité routière a organisé une enquête auprès de 10779 conducteurs (choisis au hasard) ayant subi
un accident. On leur a demandé : s’ils portaient ou non la ceinture de sécurité et la gravité de leurs blessures (‘graves
ou fatales’, ‘blessures sérieuses’ et ‘pas ou peu de blessures’). On a obtenu le tableau d’effectifs croisés ou tableau de
contingence suivant :
nature des blessures port de la ceinture pas de ceinture
graves ou fatales 5 141
blessures sérieuses 25 330
pas ou peu de blessures 1229 9049

Au risque de 5%, peut-on affirmer que la ceinture de sécurité est efficace ?

Tests d’adéquation à une distribution discrète

Exercice 3
Dans le cadre du développement d’un nouveau jeu video, on teste un générateur de nombres au hasard produisant
des nombres entiers de 0 à 9. Sur 1000 tests, on obtient la répartition suivante :

Chiffres 0 1 2 3 4 5 6 7 8 9
Effectifs 115 93 119 93 107 103 92 105 94 79

Peut-on, au seuil α = 5%, rejeter l’hypothèse que ces chiffres sont équirépartis ?

Exercice 4
Dans une étude sur un répulsif de moustiques sur un échantillon de 150 personnes, on a compté le nombre de piqures
de chaque personnes. On a obtenu les résultats suivants :
Nombre de piqures 0 1 2 3 4 5 6 >6
Nombre d’individus 32 54 34 21 6 2 1 0

Peut-on, au risque de 5%, rejeter l’hypothèse que le nombre de piqures pour une personne est une variable aléatoire
distribuée selon une loi de Poisson de paramètre 1, 5 ?

10
 Annexe

Fonction de répartition de la loi normale N (0, 1)

0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.500 0.504 0.508 0.512 0.516 0.520 0.524 0.528 0.532 0.536
0.1 0.540 0.544 0.548 0.552 0.556 0.560 0.564 0.567 0.571 0.575
0.2 0.579 0.583 0.587 0.591 0.595 0.599 0.603 0.606 0.610 0.614
0.3 0.618 0.622 0.626 0.629 0.633 0.637 0.641 0.644 0.648 0.652
0.4 0.655 0.659 0.663 0.666 0.670 0.674 0.677 0.681 0.684 0.688
0.5 0.691 0.695 0.698 0.702 0.705 0.709 0.712 0.716 0.719 0.722
0.6 0.726 0.729 0.732 0.736 0.739 0.742 0.745 0.749 0.752 0.755
0.7 0.758 0.761 0.764 0.767 0.770 0.773 0.776 0.779 0.782 0.785
0.8 0.788 0.791 0.794 0.797 0.800 0.802 0.805 0.808 0.811 0.813
0.9 0.816 0.819 0.821 0.824 0.826 0.829 0.831 0.834 0.836 0.839
1.0 0.841 0.844 0.846 0.848 0.851 0.853 0.855 0.858 0.860 0.862
1.1 0.864 0.867 0.869 0.871 0.873 0.875 0.877 0.879 0.881 0.883
1.2 0.885 0.887 0.889 0.891 0.893 0.894 0.896 0.898 0.900 0.901
1.3 0.903 0.905 0.907 0.908 0.910 0.911 0.913 0.915 0.916 0.918
1.4 0.919 0.921 0.922 0.924 0.925 0.926 0.928 0.929 0.931 0.932
1.5 0.933 0.934 0.936 0.937 0.938 0.939 0.941 0.942 0.943 0.944
1.6 0.945 0.946 0.947 0.948 0.949 0.951 0.952 0.953 0.954 0.954
1.7 0.955 0.956 0.957 0.958 0.959 0.960 0.961 0.962 0.962 0.963
1.8 0.964 0.965 0.966 0.966 0.967 0.968 0.969 0.969 0.970 0.971
1.9 0.971 0.972 0.973 0.973 0.974 0.974 0.975 0.976 0.976 0.977
2.0 0.977 0.978 0.978 0.979 0.979 0.980 0.980 0.981 0.981 0.982
2.1 0.982 0.983 0.983 0.983 0.984 0.984 0.985 0.985 0.985 0.986
2.2 0.986 0.986 0.987 0.987 0.987 0.988 0.988 0.988 0.989 0.989
2.3 0.989 0.990 0.990 0.990 0.990 0.991 0.991 0.991 0.991 0.992
2.4 0.992 0.992 0.992 0.992 0.993 0.993 0.993 0.993 0.993 0.994
2.5 0.994 0.994 0.994 0.994 0.994 0.995 0.995 0.995 0.995 0.995
2.6 0.995 0.995 0.996 0.996 0.996 0.996 0.996 0.996 0.996 0.996
2.7 0.997 0.997 0.997 0.997 0.997 0.997 0.997 0.997 0.997 0.997
2.8 0.997 0.998 0.998 0.998 0.998 0.998 0.998 0.998 0.998 0.998
2.9 0.998 0.998 0.998 0.998 0.998 0.998 0.998 0.999 0.999 0.999
3 0.999 0.999 0.999 0.999 0.999 0.999 0.999 0.999 0.999 0.999

Si Z ∼ N (0; 1), une valeur approchée de FZ (1, 16) se lit à l’intersection de la ligne 1, 1 et de la colonne 0, 06 c’est à
dire FZ (1, 16) ' 0, 877.

Fonction quantile up de la loi normale N (0, 1)

p 0, 90 0, 95 0, 975 0, 99 0, 995
up 1.282 1.645 1.96 2.326 2.576

11
 Fonction quantile tν;p de la loi de Student T (ν)
ν 0.6 0.7 0.8 0.9 0.95 0.975 0.99 0.995
1 0.325 0.727 1.376 3.078 6.314 12.706 31.821 63.657
2 0.289 0.617 1.061 1.886 2.920 4.303 6.965 9.925
3 0.277 0.584 0.978 1.638 2.353 3.182 4.541 5.841
4 0.271 0.569 0.941 1.533 2.132 2.776 3.747 4.604
5 0.267 0.559 0.920 1.476 2.015 2.571 3.365 4.032
6 0.265 0.553 0.906 1.440 1.943 2.447 3.143 3.707
7 0.263 0.549 0.896 1.415 1.895 2.365 2.998 3.499
8 0.262 0.546 0.889 1.397 1.860 2.306 2.896 3.355
9 0.261 0.543 0.883 1.383 1.833 2.262 2.821 3.250
10 0.260 0.542 0.879 1.372 1.812 2.228 2.764 3.169
11 0.260 0.540 0.876 1.363 1.796 2.201 2.718 3.106
12 0.259 0.539 0.873 1.356 1.782 2.179 2.681 3.055
13 0.259 0.538 0.870 1.350 1.771 2.160 2.650 3.012
14 0.258 0.537 0.868 1.345 1.761 2.145 2.624 2.977
15 0.258 0.536 0.866 1.341 1.753 2.131 2.602 2.947
16 0.258 0.535 0.865 1.337 1.746 2.120 2.583 2.921
17 0.257 0.534 0.863 1.333 1.740 2.110 2.567 2.898
18 0.257 0.534 0.862 1.330 1.734 2.101 2.552 2.878
19 0.257 0.533 0.861 1.328 1.729 2.093 2.539 2.861
20 0.257 0.533 0.860 1.325 1.725 2.086 2.528 2.845
21 0.257 0.532 0.859 1.323 1.721 2.080 2.518 2.831
22 0.256 0.532 0.858 1.321 1.717 2.074 2.508 2.819
23 0.256 0.532 0.858 1.319 1.714 2.069 2.500 2.807
24 0.256 0.531 0.857 1.318 1.711 2.064 2.492 2.797
25 0.256 0.531 0.856 1.316 1.708 2.060 2.485 2.787
26 0.256 0.531 0.856 1.315 1.706 2.056 2.479 2.779
27 0.256 0.531 0.855 1.314 1.703 2.052 2.473 2.771
28 0.256 0.530 0.855 1.313 1.701 2.048 2.467 2.763
29 0.256 0.530 0.854 1.311 1.699 2.045 2.462 2.756
30 0.256 0.530 0.854 1.310 1.697 2.042 2.457 2.750
>30 0.253 0.524 0.842 1.282 1.645 1.960 2.326 2.576

La colonne de gauche indique le nombre de degrés de liberté de la loi de Student considérée. Ainsi, les quantiles de
la loi T (9) se lisent sur la ligne 9, par exemple t9;0,95 ' 1, 833.

Fonction quantile vν;p de la loi du χ2 (ν)

ν 0.01 0.025 0.05 0.1 0.9 0.95 0.975 0.99
1 0.000 0.001 0.004 0.016 2.706 3.841 5.024 6.635
2 0.020 0.051 0.103 0.211 4.605 5.991 7.378 9.210
3 0.115 0.216 0.352 0.584 6.251 7.815 9.348 11.345
4 0.297 0.484 0.711 1.064 7.779 9.488 11.143 13.277
5 0.554 0.831 1.145 1.610 9.236 11.070 12.833 15.086
6 0.872 1.237 1.635 2.204 10.645 12.592 14.449 16.812
7 1.239 1.690 2.167 2.833 12.017 14.067 16.013 18.475
8 1.646 2.180 2.733 3.490 13.362 15.507 17.535 20.090
9 2.088 2.700 3.325 4.168 14.684 16.919 19.023 21.666
10 2.558 3.247 3.940 4.865 15.987 18.307 20.483 23.209
11 3.053 3.816 4.575 5.578 17.275 19.675 21.920 24.725
12 3.571 4.404 5.226 6.304 18.549 21.026 23.337 26.217
13 4.107 5.009 5.892 7.042 19.812 22.362 24.736 27.688
14 4.660 5.629 6.571 7.790 21.064 23.685 26.119 29.141
15 5.229 6.262 7.261 8.547 22.307 24.996 27.488 30.578
16 5.812 6.908 7.962 9.312 23.542 26.296 28.845 32.000
17 6.408 7.564 8.672 10.085 24.769 27.587 30.191 33.409
18 7.015 8.231 9.390 10.865 25.989 28.869 31.526 34.805
19 7.633 8.907 10.117 11.651 27.204 30.144 32.852 36.191
20 8.260 9.591 10.851 12.443 28.412 31.410 34.170 37.566
21 8.897 10.283 11.591 13.240 29.615 32.671 35.479 38.932
22 9.542 10.982 12.338 14.041 30.813 33.924 36.781 40.289
23 10.196 11.689 13.091 14.848 32.007 35.172 38.076 41.638
24 10.856 12.401 13.848 15.659 33.196 36.415 39.364 42.980
25 11.524 13.120 14.611 16.473 34.382 37.652 40.646 44.314
26 12.198 13.844 15.379 17.292 35.563 38.885 41.923 45.642
27 12.879 14.573 16.151 18.114 36.741 40.113 43.195 46.963
28 13.565 15.308 16.928 18.939 37.916 41.337 44.461 48.278
29 14.256 16.047 17.708 19.768 39.087 42.557 45.722 49.588
30 14.953 16.791 18.493 20.599 40.256 43.773 46.979 50.892

La colonne de gauche indique le nombre de degrés de liberté de la loi du χ2 considérée. Ainsi, les quantiles de la loi
χ2 (7) se lisent sur la ligne 7, par exemple v7;0,95 ' 14, 067.

12
 Fonction quantile fν1 ,ν2 ,p de la loi de Fisher F(ν1 , ν2 ) pour p = 0, 9
ν2 \ ν1 1 2 3 4 5 6 7 8 9 10
1 39.8635 49.5000 53.5932 55.8330 57.2401 58.2044 58.9060 59.4390 59.8576 60.1950
2 8.5263 9.0000 9.1618 9.2434 9.2926 9.3255 9.3491 9.3668 9.3805 9.3916
3 5.5383 5.4624 5.3908 5.3426 5.3092 5.2847 5.2662 5.2517 5.2400 5.2304
4 4.5448 4.3246 4.1909 4.1072 4.0506 4.0097 3.9790 3.9549 3.9357 3.9199
5 4.0604 3.7797 3.6195 3.5202 3.4530 3.4045 3.3679 3.3393 3.3163 3.2974
6 3.7759 3.4633 3.2888 3.1808 3.1075 3.0546 3.0145 2.9830 2.9577 2.9369
7 3.5894 3.2574 3.0741 2.9605 2.8833 2.8274 2.7849 2.7516 2.7247 2.7025
8 3.4579 3.1131 2.9238 2.8064 2.7264 2.6683 2.6241 2.5893 2.5612 2.5380
9 3.3603 3.0065 2.8129 2.6927 2.6106 2.5509 2.5053 2.4694 2.4403 2.4163
10 3.2850 2.9245 2.7277 2.6053 2.5216 2.4606 2.4140 2.3772 2.3473 2.3226
11 3.2252 2.8595 2.6602 2.5362 2.4512 2.3891 2.3416 2.3040 2.2735 2.2482
12 3.1765 2.8068 2.6055 2.4801 2.3940 2.3310 2.2828 2.2446 2.2135 2.1878
13 3.1362 2.7632 2.5603 2.4337 2.3467 2.2830 2.2341 2.1953 2.1638 2.1376
14 3.1022 2.7265 2.5222 2.3947 2.3069 2.2426 2.1931 2.1539 2.1220 2.0954
15 3.0732 2.6952 2.4898 2.3614 2.2730 2.2081 2.1582 2.1185 2.0862 2.0593
16 3.0481 2.6682 2.4618 2.3327 2.2438 2.1783 2.1280 2.0880 2.0553 2.0281
17 3.0262 2.6446 2.4374 2.3077 2.2183 2.1524 2.1017 2.0613 2.0284 2.0009
18 3.0070 2.6239 2.4160 2.2858 2.1958 2.1296 2.0785 2.0379 2.0047 1.9770
19 2.9899 2.6056 2.3970 2.2663 2.1760 2.1094 2.0580 2.0171 1.9836 1.9557
20 2.9747 2.5893 2.3801 2.2489 2.1582 2.0913 2.0397 1.9985 1.9649 1.9367

ν2 \ ν1 11 12 13 14 15 16 17 18 19 20
1 60.4727 60.7052 60.9028 61.0727 61.2203 61.3499 61.4644 61.5664 61.6579 61.7403
2 9.4006 9.4081 9.4145 9.4200 9.4247 9.4289 9.4325 9.4358 9.4387 9.4413
3 5.2224 5.2156 5.2098 5.2047 5.2003 5.1964 5.1929 5.1898 5.1870 5.1845
4 3.9067 3.8955 3.8859 3.8776 3.8704 3.8639 3.8582 3.8531 3.8485 3.8443
5 3.2816 3.2682 3.2567 3.2468 3.2380 3.2303 3.2234 3.2172 3.2117 3.2067
6 2.9195 2.9047 2.8920 2.8809 2.8712 2.8626 2.8550 2.8481 2.8419 2.8363
7 2.6839 2.6681 2.6545 2.6426 2.6322 2.6230 2.6148 2.6074 2.6008 2.5947
8 2.5186 2.5020 2.4876 2.4752 2.4642 2.4545 2.4458 2.4380 2.4310 2.4246
9 2.3961 2.3789 2.3640 2.3510 2.3396 2.3295 2.3205 2.3123 2.3050 2.2983
10 2.3018 2.2841 2.2687 2.2553 2.2435 2.2330 2.2237 2.2153 2.2077 2.2007
11 2.2269 2.2087 2.1930 2.1792 2.1671 2.1563 2.1467 2.1380 2.1302 2.1230
12 2.1660 2.1474 2.1313 2.1173 2.1049 2.0938 2.0839 2.0750 2.0670 2.0597
13 2.1155 2.0966 2.0802 2.0658 2.0532 2.0419 2.0318 2.0227 2.0145 2.0070
14 2.0729 2.0537 2.0370 2.0224 2.0095 1.9981 1.9878 1.9785 1.9701 1.9625
15 2.0366 2.0171 2.0001 1.9853 1.9722 1.9605 1.9501 1.9407 1.9321 1.9243
16 2.0051 1.9854 1.9682 1.9532 1.9399 1.9281 1.9175 1.9079 1.8992 1.8913
17 1.9777 1.9577 1.9404 1.9252 1.9117 1.8997 1.8889 1.8792 1.8704 1.8624
18 1.9535 1.9333 1.9158 1.9004 1.8868 1.8747 1.8638 1.8539 1.8450 1.8368
19 1.9321 1.9117 1.8940 1.8785 1.8647 1.8524 1.8414 1.8314 1.8224 1.8142
20 1.9129 1.8924 1.8745 1.8588 1.8449 1.8325 1.8214 1.8113 1.8022 1.7938

Fonction quantile fν1 ,ν2 ,p de la loi de Fisher F(ν1 , ν2 ) pour p = 0, 95

ν2 \ ν1 1 2 3 4 5 6 7 8 9 10
1 161.448 199.500 215.707 224.583 230.162 233.986 236.768 238.883 240.543 241.882
2 18.513 19.000 19.164 19.247 19.296 19.330 19.353 19.371 19.385 19.396
3 10.128 9.552 9.277 9.117 9.013 8.941 8.887 8.845 8.812 8.786
4 7.709 6.944 6.591 6.388 6.256 6.163 6.094 6.041 5.999 5.964
5 6.608 5.786 5.409 5.192 5.050 4.950 4.876 4.818 4.772 4.735
6 5.987 5.143 4.757 4.534 4.387 4.284 4.207 4.147 4.099 4.060
7 5.591 4.737 4.347 4.120 3.972 3.866 3.787 3.726 3.677 3.637
8 5.318 4.459 4.066 3.838 3.687 3.581 3.500 3.438 3.388 3.347
9 5.117 4.256 3.863 3.633 3.482 3.374 3.293 3.230 3.179 3.137
10 4.965 4.103 3.708 3.478 3.326 3.217 3.135 3.072 3.020 2.978
11 4.844 3.982 3.587 3.357 3.204 3.095 3.012 2.948 2.896 2.854
12 4.747 3.885 3.490 3.259 3.106 2.996 2.913 2.849 2.796 2.753
13 4.667 3.806 3.411 3.179 3.025 2.915 2.832 2.767 2.714 2.671
14 4.600 3.739 3.344 3.112 2.958 2.848 2.764 2.699 2.646 2.602
15 4.543 3.682 3.287 3.056 2.901 2.790 2.707 2.641 2.588 2.544
16 4.494 3.634 3.239 3.007 2.852 2.741 2.657 2.591 2.538 2.494
17 4.451 3.592 3.197 2.965 2.810 2.699 2.614 2.548 2.494 2.450
18 4.414 3.555 3.160 2.928 2.773 2.661 2.577 2.510 2.456 2.412
19 4.381 3.522 3.127 2.895 2.740 2.628 2.544 2.477 2.423 2.378
20 4.351 3.493 3.098 2.866 2.711 2.599 2.514 2.447 2.393 2.348

ν2 \ ν1 11 12 13 14 15 16 17 18 19 20
1 242.983 243.906 244.690 245.364 245.950 246.464 246.918 247.323 247.686 248.013
2 19.405 19.413 19.419 19.424 19.429 19.433 19.437 19.440 19.443 19.446
3 8.763 8.745 8.729 8.715 8.703 8.692 8.683 8.675 8.667 8.660
4 5.936 5.912 5.891 5.873 5.858 5.844 5.832 5.821 5.811 5.803
5 4.704 4.678 4.655 4.636 4.619 4.604 4.590 4.579 4.568 4.558
6 4.027 4.000 3.976 3.956 3.938 3.922 3.908 3.896 3.884 3.874
7 3.603 3.575 3.550 3.529 3.511 3.494 3.480 3.467 3.455 3.445
8 3.313 3.284 3.259 3.237 3.218 3.202 3.187 3.173 3.161 3.150
9 3.102 3.073 3.048 3.025 3.006 2.989 2.974 2.960 2.948 2.936
10 2.943 2.913 2.887 2.865 2.845 2.828 2.812 2.798 2.785 2.774
11 2.818 2.788 2.761 2.739 2.719 2.701 2.685 2.671 2.658 2.646
12 2.717 2.687 2.660 2.637 2.617 2.599 2.583 2.568 2.555 2.544
13 2.635 2.604 2.577 2.554 2.533 2.515 2.499 2.484 2.471 2.459
14 2.565 2.534 2.507 2.484 2.463 2.445 2.428 2.413 2.400 2.388
15 2.507 2.475 2.448 2.424 2.403 2.385 2.368 2.353 2.340 2.328
16 2.456 2.425 2.397 2.373 2.352 2.333 2.317 2.302 2.288 2.276
17 2.413 2.381 2.353 2.329 2.308 2.289 2.272 2.257 2.243 2.230
18 2.374 2.342 2.314 2.290 2.269 2.250 2.233 2.217 2.203 2.191
19 2.340 2.308 2.280 2.256 2.234 2.215 2.198 2.182 2.168 2.155
20 2.310 2.278 2.250 2.225 2.203 2.184 2.167 2.151 2.137 2.124

13
 Fonction quantile fν1 ,ν2 ,p de la loi de Fisher F(ν1 , ν2 ) pour p = 0, 975
ν2 \ ν1 1 2 3 4 5 6 7 8 9 10
1 647.79 799.50 864.16 899.58 921.85 937.11 948.22 956.66 963.28 968.63
2 38.51 39.00 39.17 39.25 39.30 39.33 39.36 39.37 39.39 39.40
3 17.44 16.04 15.44 15.10 14.88 14.73 14.62 14.54 14.47 14.42
4 12.22 10.65 9.98 9.60 9.36 9.20 9.07 8.98 8.90 8.84
5 10.01 8.43 7.76 7.39 7.15 6.98 6.85 6.76 6.68 6.62
6 8.81 7.26 6.60 6.23 5.99 5.82 5.70 5.60 5.52 5.46
7 8.07 6.54 5.89 5.52 5.29 5.12 4.99 4.90 4.82 4.76
8 7.57 6.06 5.42 5.05 4.82 4.65 4.53 4.43 4.36 4.30
9 7.21 5.71 5.08 4.72 4.48 4.32 4.20 4.10 4.03 3.96
10 6.94 5.46 4.83 4.47 4.24 4.07 3.95 3.85 3.78 3.72
11 6.72 5.26 4.63 4.28 4.04 3.88 3.76 3.66 3.59 3.53
12 6.55 5.10 4.47 4.12 3.89 3.73 3.61 3.51 3.44 3.37
13 6.41 4.97 4.35 4.00 3.77 3.60 3.48 3.39 3.31 3.25
14 6.30 4.86 4.24 3.89 3.66 3.50 3.38 3.29 3.21 3.15
15 6.20 4.77 4.15 3.80 3.58 3.41 3.29 3.20 3.12 3.06
16 6.12 4.69 4.08 3.73 3.50 3.34 3.22 3.12 3.05 2.99
17 6.04 4.62 4.01 3.66 3.44 3.28 3.16 3.06 2.98 2.92
18 5.98 4.56 3.95 3.61 3.38 3.22 3.10 3.01 2.93 2.87
19 5.92 4.51 3.90 3.56 3.33 3.17 3.05 2.96 2.88 2.82
20 5.87 4.46 3.86 3.51 3.29 3.13 3.01 2.91 2.84 2.77

ν2 \ ν1 11 12 13 14 15 16 17 18 19 20
1 973.03 976.71 979.84 982.53 984.87 986.92 988.73 990.35 991.80 993.10
2 39.41 39.41 39.42 39.43 39.43 39.44 39.44 39.44 39.45 39.45
3 14.37 14.34 14.30 14.28 14.25 14.23 14.21 14.20 14.18 14.17
4 8.79 8.75 8.71 8.68 8.66 8.63 8.61 8.59 8.58 8.56
5 6.57 6.52 6.49 6.46 6.43 6.40 6.38 6.36 6.34 6.33
6 5.41 5.37 5.33 5.30 5.27 5.24 5.22 5.20 5.18 5.17
7 4.71 4.67 4.63 4.60 4.57 4.54 4.52 4.50 4.48 4.47
8 4.24 4.20 4.16 4.13 4.10 4.08 4.05 4.03 4.02 4.00
9 3.91 3.87 3.83 3.80 3.77 3.74 3.72 3.70 3.68 3.67
10 3.66 3.62 3.58 3.55 3.52 3.50 3.47 3.45 3.44 3.42
11 3.47 3.43 3.39 3.36 3.33 3.30 3.28 3.26 3.24 3.23
12 3.32 3.28 3.24 3.21 3.18 3.15 3.13 3.11 3.09 3.07
13 3.20 3.15 3.12 3.08 3.05 3.03 3.00 2.98 2.96 2.95
14 3.09 3.05 3.01 2.98 2.95 2.92 2.90 2.88 2.86 2.84
15 3.01 2.96 2.92 2.89 2.86 2.84 2.81 2.79 2.77 2.76
16 2.93 2.89 2.85 2.82 2.79 2.76 2.74 2.72 2.70 2.68
17 2.87 2.82 2.79 2.75 2.72 2.70 2.67 2.65 2.63 2.62
18 2.81 2.77 2.73 2.70 2.67 2.64 2.62 2.60 2.58 2.56
19 2.76 2.72 2.68 2.65 2.62 2.59 2.57 2.55 2.53 2.51
20 2.72 2.68 2.64 2.60 2.57 2.55 2.52 2.50 2.48 2.46

Fonction quantile fν1 ,ν2 ,p de la loi de Fisher F(ν1 , ν2 ) pour p = 0, 99

ν2 \ ν1 1 2 3 4 5 6 7 8 9 10
1 4052.1807 4999.5000 5403.3520 5624.5833 5763.6496 5858.9861 5928.3557 5981.0703 6022.4732 6055.8467
2 98.5025 99.0000 99.1662 99.2494 99.2993 99.3326 99.3564 99.3742 99.3881 99.3992
3 34.1162 30.8165 29.4567 28.7099 28.2371 27.9107 27.6717 27.4892 27.3452 27.2287
4 21.1977 18.0000 16.6944 15.9770 15.5219 15.2069 14.9758 14.7989 14.6591 14.5459
5 16.2582 13.2739 12.0600 11.3919 10.9670 10.6723 10.4555 10.2893 10.1578 10.0510
6 13.7450 10.9248 9.7795 9.1483 8.7459 8.4661 8.2600 8.1017 7.9761 7.8741
7 12.2464 9.5466 8.4513 7.8466 7.4604 7.1914 6.9928 6.8400 6.7188 6.6201
8 11.2586 8.6491 7.5910 7.0061 6.6318 6.3707 6.1776 6.0289 5.9106 5.8143
9 10.5614 8.0215 6.9919 6.4221 6.0569 5.8018 5.6129 5.4671 5.3511 5.2565
10 10.0443 7.5594 6.5523 5.9943 5.6363 5.3858 5.2001 5.0567 4.9424 4.8491
11 9.6460 7.2057 6.2167 5.6683 5.3160 5.0692 4.8861 4.7445 4.6315 4.5393
12 9.3302 6.9266 5.9525 5.4120 5.0643 4.8206 4.6395 4.4994 4.3875 4.2961
13 9.0738 6.7010 5.7394 5.2053 4.8616 4.6204 4.4410 4.3021 4.1911 4.1003
14 8.8616 6.5149 5.5639 5.0354 4.6950 4.4558 4.2779 4.1399 4.0297 3.9394
15 8.6831 6.3589 5.4170 4.8932 4.5556 4.3183 4.1415 4.0045 3.8948 3.8049
16 8.5310 6.2262 5.2922 4.7726 4.4374 4.2016 4.0259 3.8896 3.7804 3.6909
17 8.3997 6.1121 5.1850 4.6690 4.3359 4.1015 3.9267 3.7910 3.6822 3.5931
18 8.2854 6.0129 5.0919 4.5790 4.2479 4.0146 3.8406 3.7054 3.5971 3.5082
19 8.1849 5.9259 5.0103 4.5003 4.1708 3.9386 3.7653 3.6305 3.5225 3.4338
20 8.0960 5.8489 4.9382 4.4307 4.1027 3.8714 3.6987 3.5644 3.4567 3.3682

ν2 \ ν1 11 12 13 14 15 16 17 18 19 20
1 6083.3168 6106.3207 6125.8647 6142.6740 6157.2846 6170.1012 6181.4348 6191.5287 6200.5756 6208.7302
2 99.4083 99.4159 99.4223 99.4278 99.4325 99.4367 99.4404 99.4436 99.4465 99.4492
3 27.1326 27.0518 26.9831 26.9238 26.8722 26.8269 26.7867 26.7509 26.7188 26.6898
4 14.4523 14.3736 14.3065 14.2486 14.1982 14.1539 14.1146 14.0795 14.0480 14.0196
5 9.9626 9.8883 9.8248 9.7700 9.7222 9.6802 9.6429 9.6096 9.5797 9.5526
6 7.7896 7.7183 7.6575 7.6049 7.5590 7.5186 7.4827 7.4507 7.4219 7.3958
7 6.5382 6.4691 6.4100 6.3590 6.3143 6.2750 6.2401 6.2089 6.1808 6.1554
8 5.7343 5.6667 5.6089 5.5589 5.5151 5.4766 5.4423 5.4116 5.3840 5.3591
9 5.1779 5.1114 5.0545 5.0052 4.9621 4.9240 4.8902 4.8599 4.8327 4.8080
10 4.7715 4.7059 4.6496 4.6008 4.5581 4.5204 4.4869 4.4569 4.4299 4.4054
11 4.4624 4.3974 4.3416 4.2932 4.2509 4.2134 4.1801 4.1503 4.1234 4.0990
12 4.2198 4.1553 4.0999 4.0518 4.0096 3.9724 3.9392 3.9095 3.8827 3.8584
13 4.0245 3.9603 3.9052 3.8573 3.8154 3.7783 3.7452 3.7156 3.6888 3.6646
14 3.8640 3.8001 3.7452 3.6975 3.6557 3.6187 3.5857 3.5561 3.5294 3.5052
15 3.7299 3.6662 3.6115 3.5639 3.5222 3.4852 3.4523 3.4228 3.3961 3.3719
16 3.6162 3.5527 3.4981 3.4506 3.4089 3.3720 3.3391 3.3096 3.2829 3.2587
17 3.5185 3.4552 3.4007 3.3533 3.3117 3.2748 3.2419 3.2124 3.1857 3.1615
18 3.4338 3.3706 3.3162 3.2689 3.2273 3.1904 3.1575 3.1280 3.1013 3.0771
19 3.3596 3.2965 3.2422 3.1949 3.1533 3.1165 3.0836 3.0541 3.0274 3.0031
20 3.2941 3.2311 3.1769 3.1296 3.0880 3.0512 3.0183 2.9887 2.9620 2.9377

14