Exercices de Statistique

Documents pareils
21 mars Simulations et Méthodes de Monte Carlo. DADI Charles-Abner. Objectifs et intérêt de ce T.E.R. Générer l'aléatoire.

Chapitre 6 Test de comparaison de pourcentages χ². José LABARERE

Chapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE

distribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position

Calcul élémentaire des probabilités

Principe d un test statistique

PROBABILITES ET STATISTIQUE I&II

FORMULAIRE DE STATISTIQUES

Lois de probabilité. Anita Burgun

Chapitre 3. Les distributions à deux variables

TABLE DES MATIERES. C Exercices complémentaires 42

TESTS D'HYPOTHESES Etude d'un exemple

Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE

Probabilités III Introduction à l évaluation d options

«Cours Statistique et logiciel R»

Notre métier : Vous accompagner dans votre Projet

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.

Le cloud-computing : une réponse aux problématique de gestion de la qualité des projets pour des équipes géographiquement dispersées

La problématique des tests. Cours V. 7 mars Comment quantifier la performance d un test? Hypothèses simples et composites

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

VI. Tests non paramétriques sur un échantillon

Tests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année UE «Introduction à la biostatistique»

TABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie

STATISTIQUES. UE Modélisation pour la biologie

Exercices M1 SES Ana Fermin ( fermin.perso.math.cnrs.fr/ ) 14 Avril 2015

Cours d algorithmique pour la classe de 2nde

Aide-mémoire de statistique appliquée à la biologie

Les 5 différents types d ordres

Biostatistiques : Petits effectifs

Interactions des rayonnements avec la matière

Dérivées et différentielles des fonctions de plusieurs variables

Fonction réciproque. Christelle MELODELIMA. Chapitre 2 :

LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.

Cours de Tests paramétriques

Licence et Master E.E.A.

NORME IAS 20 LES SUBVENTIONS PUBLIQUES

Simulation de variables aléatoires

Logiciel XLSTAT version rue Damrémont PARIS

LES 10 POINTS CLÉS POUR RÉUSSIR SON APP MOBILE D ENTREPRISE

Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés

L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ

Loi binomiale Lois normales

Un nouveau standard pour mesurer la performance des gérants

NORME IAS 07 LE TABLEAU DES FLUX DE TRÉSORERIE

UNIVERSITE HASSAN II DE CASABLANCA. FACULTE DES SCIENCES & TECHNIQUES MOHAMMEDIA Département Génie Electrique

A PROPOS DES CRITERES D ATTRIBUTION DES EQUIVALENCES

Docteur José LABARERE

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1

Institut Universitaire de Technologie de Laval

Étude de cas Assurance (d après une étude de Philippe Périé, CISIA)

ANALYSE FINANCIERE DES COMPTES ANNEXES D EAU ET D ASSAINISSEMENT DE LA CAB!

ETUDE COMPARATIVE DES MODELISATIONS NUMERIQUE ET PHYSIQUE DE DIFFERENTS OUVRAGES D EVACUATION DES CRUES

Estimation et tests statistiques, TD 5. Solutions

T de Student Khi-deux Corrélation

CNAM léments de cours Bonus-malus et Crédibilité

Annexe commune aux séries ES, L et S : boîtes et quantiles

La place de SAS dans l'informatique décisionnelle

SAS ENTERPRISE MINER POUR L'ACTUAIRE

TESTS D HYPOTHÈSE FONDÉS SUR LE χ².

Pour commencer liste de vérification du service ECCnet Item Certification. Version 2.0

INF 232: Langages et Automates. Travaux Dirigés. Université Joseph Fourier, Université Grenoble 1 Licence Sciences et Technologies

Contributions aux méthodes d estimation en aveugle

De la mesure à l analyse des risques

Repères Gérer la capacité

Améliorations du schéma de nuage et de EDKF dans AROME/MésoNH

1. Insérez le DVD de support dans le lecteur optique. L onglet Drivers (Pilotes) apparaîtra si l Exécution automatique est activée.

Evaluation des stages hospitaliers par les étudiants en médecine

Guide d installation JMap 5.0

Analyse de la variance Comparaison de plusieurs moyennes

Mise en sécurité des ascenseurs. Guide d aide à la décision

Principes généraux de la modélisation de la dispersion atmosphérique

Professeur Patrice FRANCOIS

données en connaissance et en actions?

Liste des notes techniques... xxi Liste des encadrés... xxiii Préface à l édition internationale... xxv Préface à l édition francophone...

L ABSENCE DE COMPLEMENTAIRE SANTE CHEZ LES ETUDIANTS Résultats d une enquête déclarative

Chapitre 2 Le problème de l unicité des solutions

K. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre Palaiseau

Une comparaison de méthodes de discrimination des masses de véhicules automobiles

1/24. I passer d un problème exprimé en français à la réalisation d un. I expressions arithmétiques. I structures de contrôle (tests, boucles)

Résumé des communications des Intervenants

1 Imputation par la moyenne

TSTI 2D CH X : Exemples de lois à densité 1

Exercice 6 Associer chaque expression de gauche à sa forme réduite (à droite) :

DEVELOPPEMENT ET MAINTENANCE DE LOGICIEL: OUTIL DE PILOTAGE

Théorie des probabilités

Introduction à l approche bootstrap

VISEZ LES ÉTOILES. INFORMATIONS CONCERNANT LES PNEUS ET ROUES COMPLÈTES D ORIGINE BMW/MINI MARQUÉS D UNE ÉTOILE.

TP N 57. Déploiement et renouvellement d une constellation de satellites

COMMENTAiRES/ DECISIONS

NOTE SUR LA MODELISATION DU RISQUE D INFLATION

Journée technique ARRA Gestion quantitative de la ressource en eau

Nouveau Barème W.B.F. de points de victoire 4 à 48 donnes

Elaboration et Suivi des Budgets

Les responsabilités des professionnels de santé

Examen de Logiciels Statistiques

2012 LE NOUVEAU LABEL PNEUMATIQUE EUROPÉEN

Module d Electricité. 2 ème partie : Electrostatique. Fabrice Sincère (version 3.0.1)

O, i, ) ln x. (ln x)2

FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)

Biostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke

Transcription:

Université Joseph Fourier, Grenoble I Licence Sciences et Technologies 2 e année STA230 : Méthodes Statistiques pour la Biologie Exercices de Statistique http ://ljk.imag.fr/membres/bernard.ycart/sta230/ Réponses numériques Les calculs ont été effectués en utilisant un logiciel ; à cause des erreurs d arrondis, il peut y avoir des différences mineures avec les calculs effectués à partir des tables de valeurs statistiques. 1 Données et Modèles 1.1 Distributions empiriques Exercice 1.1.2. 3. âge 21 22 23 24 25 26 27 28 fréq. 0.116 0.116 0.093 0.070 0.070 0.116 0.023 0.093 5. 26.256, 15.586, 3.948 6. 7. 0.349 8. 23, 26, 29 Exercice 1.1.3. 1. 0.667 2. 0.444 âge 29 30 31 32 33 34 35 fréq. 0.070 0.047 0.070 0.047 0.023 0.023 0.023 âge 21 22 23 24 25 26 27 28 fréq. cum. 0.116 0.233 0.326 0.395 0.465 0.581 0.605 0.698 âge 29 30 31 32 33 34 35 fréq. cum. 0.767 0.814 0.884 0.930 0.953 0.977 1.000 3. (0.5, 1.0, 2.0, 0.5, 0.5, 1.0, 0.5, 1.0, 1.0)

Exercice 1.1.4. 1. 0.722 2. 0.235 3. (0.985, 1.077, 1.810, 0.779, 0.367, 0.871, 0.046, 1.283, 0.665) 1.2 Probabilités et probabilités conditionnelles Exercice 1.2.2. 1. 0.35, 0.45, 0.20, 0.6, 0.4. 2. 1/2, 1/3, 1/6 3. 1/8, 5/8, 1/4 4. 6/7, 1/7 Exercice 1.2.3. 1. 0.087 2. 0.437 3. 0.001 4. 0.039 Exercice 1.2.4. Groupe O A B AB 1. Prob. 0.440 0.453 0.074 0.033 2. 3. Groupe O A B AB Prob. 0.440 0.453 0.074 0.033 Groupe O A B AB Prob. 0.440 0.453 0.075 0.031 4. 0.159, 0.162 1.3 Loi binomiale Exercice 1.3.2. 1. 0.81, 0.18, 0.01 2. (a) B(4, 0.1), 0.4, 0.36 (b) 0.9963 (c) 0.0523 3. (a) 0.3487 (b) 0.0016 2

Exercice 1.3.3. 1. (a) 0.1780 (b) 0.3560 (c) 0.4661 2. oui 3. 0.0376 non 1.4 Loi hypergéométrique Exercice 1.4.2. 1. H(32, 4, 8), 1, 0.2955, 0.2542 2. H(32, 8, 16), 4, 0.0012, 0.9814 3. H(52, 12, 13), 3, 0.0189, 0.8755 4. H(49, 6, 6), 0.7347, 0.4360, 0.1510 1.5 Loi normale Exercice 1.5.2. 1. (a) 0.0735 (b) 0.8604 (c) 0.9596 2. (a) 0.3319 (b) 0.3319 (c) 0.8965 Exercice 1.5.3. 1. N ( 3, 4) 2. 0.3085 3. 0.3072 Exercice 1.5.4. 1. (a) 0.7257 (b) 0.8413 (c) 0.1702 2. (a) 4.6593 (b) 1.3407 (c) 4.4825 3

Exercice 1.5.5. 1. 0.0228 2. 0.8664 3. 0.0668, 0.8185 4. 0.6382 Exercice 1.5.6. 1. 0.5662 2. 3 034 926 3. 4.42 10 7 4. 0.7560 1.6 Approximation d une loi binomiale par une loi normale Exercice 1.6.2. 1. B(150000, 0.4) N (60000, 36000) 2. 0.0041 3. 60243 Exercice 1.6.3. 1. 0.0384 2. 0.0217 Exercice 1.6.4. 1. 0.7924 2. 10.83 Exercice 1.6.5. 1. 0.0228 2. 0.2918 3. 55 Exercice 1.6.6. 1. 0.3264 2. 211 4

2 Estimation paramétrique 2.1 Estimation ponctuelle Exercice 2.1.2. 1. 1.9, 0.9889 2. 0.6333 Exercice 2.1.3. 1. 1.6 2. 0.722, 0.264 2.2 Intervalles de confiance pour un échantillon gaussien Exercice 2.2.2. 1. 4.72, 1.8716 2. [3.6884 ; 5.7516] 3. [0.9839 ; 6.9308] 4. [3.8523 ; 5.5877] 5. 53 Exercice 2.2.3. 1. 70.3333, 25.8889 2. [67.7297 ; 72.9370], [67.1656 ; 73.5011], [66.7567 ; 73.9099] 3. [15.435 ; 61.606], [13.948 ; 72.724], [13.046 ; 81.795] 4. [67.9777 ; 72.6890], [67.5374 ; 73.1293], [67.2375 ; 73.4291] Exercice 2.2.4. 1. [4.3371 ; 4.4229] 2. 0.7698 3. 166 4. [0.051 ; 0.207] 5. [4.2851 ; 4.4749] Exercice 2.2.5. 1. [5.4757 ; 10.2043], [4.5255 ; 11.1545] 2. [7.8713 ; 41.7117], [6.4909 ; 59.7599] Exercice 2.2.6. 1. [49.1339 ; 54.8661], [48.0221 ; 55.9779] 2. [3.7891 ; 8.1623] 5

2.3 Int. de conf. d une espérance pour un grand échantillon Exercice 2.3.2. [50.5139 ; 52.4861], [50.2040 ; 52.7960] Exercice 2.3.3. [40.1904 ; 41.4096], [40.0765 ; 41.5235], [39.9989 ; 41.6011] Exercice 2.3.4. [26.8218 ; 28.3782], [26.6664 ; 28.5336] Exercice 2.3.5. 1. [7.7805 ; 7.8595], [7.7729 ; 7.8671], [7.7581 ; 7.8819] 2. [6.6802 ; 6.8198], [6.6668 ; 6.8332], [6.6407 ; 6.8593] 2.4 Int. de conf. d une probabilité pour un grand échantillon Exercice 2.4.2. [0.3767 ; 0.4633], [0.3631 ; 0.4769] Exercice 2.4.3. 1. 0.8 2. [0.7445 ; 0.8555] 3. 6147 3 Tests statistiques 3.1 Règles de décision, seuil et p-valeur Exercice 3.1.2. 1. H 0 : µ = 1000 contre H 1 : µ 1000. Rejet de H 0 si X / [960.8 ; 1039.2] (5%) ou X / [948.4 ; 1051.6] (1%). 2. H 0 : µ = 1000 contre H 1 : µ > 1000. Rejet de H 0 si X > 1032.9 (5%) ou X > 1046.6 (1%). 3. 0.1841, 0.3681 4. H 0 : µ = 1000 contre H 1 : µ < 1000. Rejet de H 0 si X < 967.1 (5%) ou X < 953.5 (1%). 5. 0.1841, 0.3681 Exercice 3.1.3. 1. H 0 : µ = 150 contre H 1 : µ < 150. Rejet de H 0 si X < 141.8 2. 0.0228 ; oui à 5% ; non à 1% Exercice 3.1.4. 1. H 0 : µ = 30 contre H 1 : µ > 30. Rejet de H 0 si X > 36.58 (5%) ou X > 39.31 (1%). 2. H 0 : µ = 30 contre H 1 : µ < 30. Rejet de H 0 si X < 23.42 (5%) ou X < 20.69 (1%). 6

3.2 Tests sur un échantillon Exercice 3.2.2. 1. rejet de H 0 si X / [983.7, 1016.3] ; 0.0820 2. rejet de H 0 si X > 1014.7 ; 0.0410 3. rejet de H 0 si X / [994.8, 1005.2] ; 0.0124 rejet de H 0 si X > 1004.7 ; 0.0062 4. Non : p-valeur=0.0047 5. Non : p-valeur=0.1647 Exercice 3.2.3. 1. H 0 : µ = 150 contre H 1 : µ < 150 ; T = 4 (X 150)/5 ; rejet de H 0 si T < 1.6449 2. T = 3.5 ; rejet de H 0 ; pas de risque ; p-valeur 0.0002 3. H 0 : µ = 150 contre H 1 : µ < 150 ; T = 3(X 150)/ (S 2 ) ; rejet de H 0 si T < 2.3534 4. T = 2.7358 ; rejet de H 0 ; pas de risque ; p-valeur 0.0358 Exercice 3.2.4. 1. 0.0105 significativement plus légers 2. T = 29 (X 3400)/ S 2 ; rejet de H 0 si T < 1.6991 ; T = 2.0226 ; significativement plus légers ; p-valeur = 0.0262 3. non ; p-valeur = 0.1291 4. 0.0031 ; significativement plus légers. Exercice 3.2.5. 1. 21.2533, 0.4812 2. H 0 acceptée ; p-valeur = 0.2048 3. T = 1.3665 ; rejet de H 0 si T > 1.7613 ; H 0 acceptée 4. p-valeur = 0.0967 Exercice 3.2.6. 1. T = 4.3901 ; rejet de H 0 si T < 1.8331 ; le traitement diminue le poids moyen 2. p-valeur = 0.0009 Exercice 3.2.7. 1. T = 10 X/ S 2, où X et S 2 sont la moyenne et la variance empiriques des différences Pneus A - Pneus B. 2. H 0 : µ = 0 contre H 1 : µ 0 7

3. H 0 : µ = 0 contre H 1 : µ > 0 4. T = 1.789. Pas de différence significative (p-valeur = 0.1039) ; pas d amélioration significative (p-valeur = 0.0520) Exercice 3.2.8. 1. T = 8 X/ S 2, où X et S 2 sont la moyenne et la variance empiriques des différences Avant - Après. 2. p-valeur = 0.0082 ; amélioration significative Exercice 3.2.9. 1. 0.3882 2. T = 35.8276 ; p-valeur = 0.0011 ; oui 3. T = 1.87 ; p-valeur = 0.0412 ; oui au seuil de 5%, non au seuil de 1% 4. T = 1.2060 ; p-valeur = 0.1139 ; non Exercice 3.2.10. Exercice 3.2.11. T = 1.6330 ; p-valeur = 0.0512 ; non T = 1.2344 ; p-valeur = 0.1085 ; non Exercice 3.2.12. 1. T = 12.9176 ; p-valeur 0 ; oui 2. T = 12.5189 ; p-valeur 0 ; oui 3. T = 4.8741 ; p-valeur 0 ; oui 3.3 Comparaison de deux échantillons indépendants Exercice 3.3.2. 2. T = 0.5942 ; 1/T = 1.6830 ; égalité des variances acceptée ; p-valeur = 0.3507 3. T = 7.8661 ; p-valeur = 0 ; oui 4. oui Exercice 3.3.3. 2. T = 1.2731 ; égalité des variances acceptée ; p-valeur = 0.6930 3. T = 1.1423 ; p-valeur = 0.1338 non Exercice 3.3.4. 2. T = 2.2623 ; égalité des variances acceptée ; p-valeur = 0.2693 3. T = 1.7458 ; p-valeur = 0.1000 non Exercice 3.3.5. T = 17.209 ; p-valeur = 0.0001393 8

Exercice 3.3.6. 2. T = 2.3695 ; égalité des variances acceptée ; p-valeur = 0.2438 3. p-valeur = 0.8062 pas de différence significative Exercice 3.3.7. T = 0.2076 ; p-valeur = 0.4178 l engrais n est pas efficace Exercice 3.3.8. 3. p-valeur = 0.1126 ; pas de différence significative Exercice 3.3.9. 2. p-valeur = 0.2172 ; pas de différence significative 3.4 Test du khi-deux d ajustement Exercice 3.4.2. 1. T = 186.7659 ; p-valeur 0 ; oui 2. T = 9.0997 ; p-valeur = 0.0026 ; oui 3. T = 23.7566 ; p-valeur = 1.1 10 6 ; oui 4. T = 169.0597 ; p-valeur 0 ; oui 5. T = 6.0658 ; p-valeur = 0.1085 ; non Exercice 3.4.3. T = 15.7726 ; p-valeur = 0.0013 ; différence significative Exercice 3.4.4. 1. T = 3.3404 ; p-valeur = 0.3421 ; différence non significative 2. T = 1.4136 ; p-valeur = 0.2345 ; différence non significative Exercice 3.4.5. 1. T = 14.2054 ; p-valeur = 0.1152 ; différence non significative 2. T = 8.4226 ; p-valeur = 0.2968 ; différence non significative 3.5 Test du khi-deux de contingence Exercice 3.5.2. 2. T = 17.9167 3. p-valeur = 0.00013 ; oui Exercice 3.5.3. 2. T = 3.1988 3. p-valeur = 0.0737 ; oui 9

Exercice 3.5.4. 1. T = 0.0777 2. p-valeur = 0.9619 ; les deux variables sont indépendantes Exercice 3.5.5. 2. T = 0.8433 3. p-valeur = 0.3585 ; les deux variables sont indépendantes Exercice 3.5.6. 1. T = 138.290 2. p-valeur 0 ; non 4 Régression linéaire 4.1 Droite de régression et prédiction ponctuelle Exercice 4.1.2. 1. 0.8703 2. y = 2.8253 x 127.4796 3. 42.04 Exercice 4.1.3. 1. 0.9936 2. 0.0054 ; 12.5952 ; 0.1931 3. 6.6929 Exercice 4.1.4. 1. 0.8919 2. 1.2292 ; 7.6042 ; 4.1953 3. 53.85 ; 29.27 Exercice 4.1.5. 1. 0.9882 2. 0.0513 ; 5.3129 ; 0.0145 3. 2.8969 Exercice 4.1.6. 1. 0.9741 2. y = 0.3817 x + 2.7835 3. 14.12 10

4.2 Intervalles de confiance et de prédiction Exercice 4.2.2. 1. [2.30 ; 3.35], [ 156.6 ; 98.3] 2. [37.73 ; 46.34] 3. [17.97 ; 66.10] Exercice 4.2.3. 1. [ 0.0059 ; 0.0048], [11.56 ; 13.63] 2. [6.15 ; 7.24] 3. [5.54 ; 7.85] Exercice 4.2.4. 1. [0.48 ; 1.97], [ 37.71 ; 22.50] 2. [21.13 ; 37.41] 3. [18.62 ; 39.92] Exercice 4.2.5. 1. [0.043 ; 0.060], [ 6.57 ; 4.07] 2. [2.78 ; 3.02] 3. [2.49 ; 3.30] Exercice 4.2.6. 1. [0.21 ; 0.55], [2.61 ; 2.96] 2. [12.53 ; 15.91] 3. [11.55 ; 17.25] 4.3 Tests sur une régression Exercice 4.3.2. 1. T = 11.0375 ; p-valeur 0 ; pertinence acceptée 2. T = 0.6824 ; p-valeur = 0.2495 H 0 acceptée. 3. 62.082 Exercice 4.3.3. 1. T = 24.89 ; p-valeur 0 ; pertinence acceptée 2. T = 7.02 ; p-valeur 0 ; oui Exercice 4.3.4. 11

1. T = 5.578 ; p-valeur = 0.0005 ; pertinence acceptée 2. H 0 : a = 1 contre H 1 : a 1 ; T = 1.04 ; p-valeur = 0.3288 ; H 0 acceptée H 0 : b = 0 contre H 1 : b 0 ; T = 0.8477 ; p-valeur = 0.4213 ; H 0 acceptée 3. T = 2.9214 ; p-valeur = 0.0096 ; oui Exercice 4.3.5. 1. T = 20.366 ; p-valeur 0 ; pertinence acceptée 2. T = 6.3328 ; p-valeur 0 ; oui Exercice 4.3.6. 1. T = 7.4640 ; p-valeur = 0.0050 ; pertinence acceptée 2. T = 5.5439 ; p-valeur = 0.0058 ; oui 12