R EVUE DE STATISTIQUE APPLIQUÉE
P. F ERIGNAC
Test de Kolmogorov-Smirnov sur la validité d’une fonction de distribution
Revue de statistique appliquée, tome 10, n
o4 (1962), p. 13-32
<
http://www.numdam.org/item?id=RSA_1962__10_4_13_0>
© Société française de statistique, 1962, tous droits réservés.
L’accès aux archives de la revue « Revue de statistique appliquée » (
http://www.sfds.asso.fr/publicat/rsa.htm
) implique l’accord avec les conditions générales d’uti- lisation (
http://www.numdam.org/conditions). Toute utilisation commerciale ou im- pression systématique est constitutive d’une infraction pénale. Toute copie ou im- pression de ce fichier doit contenir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
http://www.numdam.org/
TEST DE KOLMOGOROV-SMIRNOV
SUR LA VALIDITÉ D’UNE FONCTION DE DISTRIBUTION
P. FERIGNAC
Statisticien
I - LE PROBLEME -
La solution d’un
grand
nombreproblèmes statistiques implique
la con-naissance de la distribution de la variable aléatoire X soumise au contrôle . La distribution de X est fondamentale dans de nombreux tests
d’hypo-
thèses. Par
exemple,
le test t deStudent,
les cartes de contrôle de la moyenne et de ladispersion
d’unecaractéristique mesurable,
le test F deSnédécor,
le test T
d’Hotelling,... supposent
que les variables aléatoires obéissent àune loi normale.
Les
problèmes
sur la sûreté de fonctionnement d’un matériel sont baséssur la
probabilité
de durée de vie de ses élémentsqu’il
est nécessaire de connaître en vue de chiffrer la fiabilité d’un ensemblequi compte
souventplusieurs
milliers depièces
élémentaires.On a, en
général,
des raisonsthéoriques
ou uneexpérience
suffisantequi
conduisent àl’adoption
d’une forme déterminée pour la fonction de dis- tributionF(x)
dont on sait estimer lesparamètres.
Dans cequi
suit noussupposons que
F(x) = Prob(X x)
est connue.Alors, ayant
extrait un échan-tillon aléatoire d’effectif n, nous nous proposons de vérifier si la distribu- tion de x dans l’échantillon est
compatible
avec la fonction de distributionthéorique F(x)
ou siquelque
cause contrôlable est intervenuequi
infirme lavalidité de cette fonction pour la
description
des observations.On
juge
habituellement l’ensemble des écarts entre les distributionsthéorique
et observée à l’aide du test deX 2
de K. Pearson. Cetest,
indé-pendant
de la forme deF(x),
demande un assezgrand
nombre d’observationspuisqu’aucune
des classes ne doit avoir un effectiftrop
faible et que, d’autrepart,
legroupement
des résultats entraîne laperte
d’unepartie
de l’infor-mation. Le test de
Kolmogorov-Smirnov, qui
n’est pas astreint à ces res-trictions,
et dontl’application
est facilepeut
rendre degrands
services dansla solution du
problème posé.
II - DESCRIPTION DU TEST -
On considère la fonction de distribution
F(x)
d’une variable aléatoire continue et lesfréquences
cumuléesS n (x)
d’un échantillons d’effectif n. Si les valeurs observées de xproviennent
de lapopulation
décrite parF(x),
les écarts entre les
probabilités
àpriori
et lesfréquences
cumuléesdépendent
14
des fluctuations aléatoires de
l’échantillonnage et,
en vertu de la loi desgrands nombres,
tendent vers zérolorsque
n croitindéfiniment.
Il est in- tuitif de caractériser ladivergence
entreSn(x)
etF(x)
par leplus grand
desécarts observés
Dn,
J soit :Dn =
plus grande
valeur deSn(x) - F (x)
.Connaissant la loi de
répartition
de lagrandeur
aléatoireDn,
onpeut alors,
avec unrisque
fixé àl’avance,
conclure si l’écart maximum entreF(x)
etSn(x) peut
êtreimputé
au hasard del’échantillonnage
ou, aucontraire ,
est dû au fait que l’échantillon n’est pas extrait d’une
population
décrite par la fonction de distributionF(x).
La
répartition
deDn
estindépendante
deF(x),
le testd’hypothèse
estdonc un test non
paramétrique.
La loi limite de
Dn
a été étudiée parKolmogorov lorsque
n tend versl’infini
[ 1]( 1)
et par F. J.Massey Jr
pour lespetites
valeurs de n[3]
et[4].
Exemple :
Supposons
que nous voulions testerl’hypothèse
que 5 nombres0,52 ; 0, 65 ; 0, 13 ; 0,71
et0, 58
ont été choisis au hasard dans unepopulation
denombres uniformément
répartis
entre 0 et 1. La fonction de distribution est alorsF(x) =
x. Si xk est une valeur de x, telle queparmi
les n valeurs del’échantillon classées selon l’ordre de
grandeur croissante,
k soient infé- rieures ouégales
à xk , J on a :(xk
et x k + 1 sont les valeurs observées de rangs k et k +1)
d’où le
graphique
de lafigure
1.S 5 (x)
est uneligne polygonale
en escalierqui présente
5discontinuités, quand
x franchit la valeur0, 52, S 5 (x)
passe de0,20
à0,40,
et la distancemaximum
Du
5 réalisée pour x =0, 52
estégale
à0, 52 - 0,20 = 0, 32.
Si nous nous
reportons
à la table II on litqu’on
a 20 chances sur 100de trouver du fait du
hasard,
une valeur de D 5supérieure
à0,446
pourn = 5. Nous concluons que l’écart
0,32
n’est passignificatif.
Nous pouvons donc considérer comme raisonnablel’hypothèse
de la distribution uniforme de lapopulation-mère
d’où nous avons tirél’échantillon.
(1) Les chiffres entre crochets sont des renvois aux références citées à la fin de l’article.
Revue de Statistique Appliquée. 1962 - Vol. X - N 4
Figure 1
III - ETUDES
THEORIQUES
FONDAMENTALES - 1 - Echantillons degrande
taille.Kolmogorov
a étudié la distribution deDn
dans le cas où n tend versl’infini
("Bulletin
de l’Académie des Sciences del’U. R. S. S., 1933).
Théorème de
Kolmogorov.
SoientF(x)
unefonction
de distribution continueet Dn une
variable aléa-toire
définie
par16
Pour toute valeur de
Z > 0,
si n2013> oo on a ;où
L( z)
est la(onction
de distribution cumulée donnée parPour z 0 on a évidemment
L(z) =
0.W.
Feller,
a donné de ce théorème une démonstrationqui,
bien queplus simple
que celle deKolmogorov,
reste assezdifficile ;
nous ne la re-produisons
pas ici. Le lecteurqui
désireapprofondir
cettequestion
pourrase
reporter
à la référence[1 ].
N. Smirnov a calculé la table de
L(z) (publiée
en 1939 dans le"Bulle-
tin
Mathématique
de l’Université deMoscou")
que nousreproduisons d’après
Annals of Mathematical Statistics
[6].
Un
problème
annexe duproblème posé au §
I est celuiqui
consiste àcomparer les
fréquences
cumulées observées dans deux échantillons afin de testerl’hypothèse
de leur extraction de la mêmepopulation-mère.
Le cri-tère de vraisemblance de cette
hypothèse
est fourni par le théorème de Smirnov.[1] ]
Théorème de Smirnov.
Soient
(x, x2’...xm) et (y, Y2..."’Yn)
deux échantillons de variables aléatoiresindépendantes
continuesayant la
mêmefonction
de distributionF(x).
Si l’on
représente
parSm (x)
e tTn(x)
lesfréquences
cumulées dans chacundes échantillons on
définit
la variable aléatoirePosons
et supposons que m ~ ~, n ~ ~ de man i è re que m )a où a est une n
constante. Dans ces conditions, pour toute valeur de z
0
on a :où
L(z)
est lafonction définie
par lethéorème
deKolmoéorou.
Une démonstration de ce théorème est donnée par W. Feller
[1].
La table I
peut
être utilisée pour lacomparaison
de deux distributionsexpérimentales lorsque
m et n sontgrands.
Revue de Statistique Appliquée. 1962 - Vol. X - N 4
TABLE I
Table de la fonction
L(z)
TABLE 1
(Suite)
2 - Petits échantillons.
Le théorème de
Kolmogorov
est un théorème limitequi s’applique
lors-que nu 00. Nous verrons un peu
plus
loin àpartir
dequelle
valeur de non
peut
utiliser la fonctionL(z)
avec uneapproximation
suffisante pour les besoins usuels. F. J.Massey
a étudié la distribution deDn pour
des échan- tillons de faible effectif[3]
etpublié
la table II que nousreproduisons [4] .
Cette table donne les valeurD qu’on
a laprobabilité
a dedépasser
du faitdu hasard. Si
Sn(x) représente
lesfréquences
cumulées etF(x)
la fonction de distribution on a :Pr. borne
supérieure
a
représente
donc lerisque
d’erreur de lèreespèce.
Revue de Statistique Appliquée 1962 - Vol. X - N’ 4
TABLE II
Comparaison
des tables I et II.Dans la table II F.J.
Massey
admetqu’à partir
d’un échantillon den = 36 observations on
peut
utiliser la table Iqui
donne les valeurs z auxseuils de confiance
0, 80 ; 0, 85 ; 0, 90 ; 0, 95
et0, 99.
Ilprend,
eneffet ,
pour
Dn
la valeur z , z étant tiré de la table I. Il est intéressant de voirvn
la
rapidité
de la convergence de la distribution exacte deDn
pour depetits
échantillons vers les valeurs limites pour n
infini,
déduites de la table I.Pour cela on a
récapitulé
dans la table III les seuils de confiance calculésd’après
la table I pour n 20132013> oocorrespondant
aux valeurs deDp
de la tableII,
pour 1 -a = 0,80 ; 0,85 ; 0,90 ; 0,95 et 0,99.
20 TABLE III
n = effectif de l’échantillon
Les
probabilités
dans le corps de la table sont à0,005 près
Nous constatons que les
probabilités
calculées à l’aide de la loi limite de la table I serapprochent
de leur vraie valeurquand
n croît et que pourn 36
l’approximation
fournie par la table I estpratiquement suffisante.
Donc n = 36 est un
grand
nombre àpartir duquel
le théorème deKolmogorov s’applique
au moins pour03B1 0,20.
IV - PUISSANCE DU TEST -
Considérons que nous
appliquons
le test deKolmogorov -
Smirnov encomparant S n(x)
etFo (x).
Nous pouvons commettre dans notrejugement
uneerreur de lère
espèce
que nous savons chiffrer : nous avons laprobabilité
a de
rejeter
à tort la fonction de distributionFo (x).
Le test
peut comporter
une erreur de 2èmeespèce qui
consiste à ad-mettre la fonction
Fo (x)
alors que l’échantillonprovient
d’une distribution décrite parF1 (x). Si j3
est laprobabilité
de cettealternative, p
caractérise lerisque
de 2èmeespèce.
Lapuissance
dutest 11: == 1 - 03B2
mesure sa facul- té de discrimination entre les deux distributionsFo(x)
etF1(x).
F. J.
Massey [4] ]
a étudié lapuissance
du test deKolmogorov
pour lesgrands
échantillons(n
>36).
Il introduit à ceteffet,
l’écart-maximum entreFo (x)
etFI (x),
soit : A = bornesupérieure IFo (x) - F1(x) |1
et démontreque la
puissance
du test n’estjamais
inférieure àavec
n = effectif de l’échantillon
supposé
degrande taille,
Dn
correspondant
aurisque
de lèreespèce
aadopté.
À suit donc la loi normale
N(0, 1)
dont la fonction de distribution estil
Si l’on admet pour a les niveaux courants0, 05
et0,01,
onprendra
pour z
respectivement 1, 36
et1,63,
d’où :Revue de Statistique Appliquée. 1962 - Vol. X - N’ 4
Les
risques
de 2èmeespèce correspondants Pl et 03B22
sont évidemmentAinsi
lorsque
Ces résultats montrent que
lorsque
lerisque
de lèreespèce décroît,
le
risque
de 2èmeespèce croit ,
il faut donc se fixer àpriori
les 2risques,
eu
égard
au but que l’on se propose, et déterminer alors l’effectif de l’échan- tillon àprélever.
Les courbes de la
puissance
du test TL en fonction de Avit
sont re-présentées
pour a = 5%
et 1%
sur lafigure
2qui permet
derépondre
ra-pidement
àquelques questions
telles que la suivante :Figure 2 - Borne inférieure de la puissance du test pour a = 0, 05 et ce 0,01.
22
Supposons
que la différence maximum en valeur absolue deFo (x)
etFi (x)
est
0,2
etqu’on
admette lesrisques
a =0,05 et 03B2 = 0, 50, quelle
est lataille de l’échantillon à
prélever ?
On lit sur legraphique
l’abscisse1, 36
à l’intersection de la droite 11: =
0,
50 et de la courbe 5%.
46, 24.
Un échantillon de 47 uni- tés sera donc nécessaire.Remarque :
La
figure
2 donne la limite inférieure de lapuissance 7t du test,
celui-ci est donc en
général plus puissant
que nel’indique
une lecture sur le gra-phique.
Demême,
lerisque
de 2èmeespèce (3
est engénéral
inférieur aurisque qui
s’en déduit( p =
1 - TI).
V - APPLICATIONS
NUMERIQUES -
1 - Observations individuelles.
a)
On essaye pour un matériel une loi de survieexponentielle
avecune valeur moyenne de 170
heures,
la fonction de distribution des pannes àl’âge
x,exprimé
enheures,
est :F(x) =
1 - e- x/170[2] ]
Cette fonction de distribution
théorique
estreprésentée
sur lafigure
3.Figure 3 - Durée de service en heures, x.
Dans
l’expérience
décrite par J. A.Foster, [ 2 ]
onprélève
un échantil-lon de 60 unités pour
lesquels
on a noté les durées de vie ci-dessous classées par ordre degrandeur
croissante.Les
fréquences
cumulées observéesS60 correspondantes
sontreprésen-
tées par la courbe en escalier de la
figure
3.Revue de Statistique Appliquée. 1962 - Vol. X - N’ 4
TABLEAU 1
Si l’on admet le
risque
de lèreespèce
a =0, 10, d’après
la table IIon a :
D60 = 1, 22 - 0,
1575. Portant cette valeur depart
et d’autre de la fonction de distributionthéorique
on obtient les deux limites en traitpoin-
tillé. La courbe en escalier ne doit pas franchir ces limites pour que la fonction de distributionexponentielle F(x)
soitacceptable.
On admetqu’une
fois sur dix on larejettera
à tort(
a =0, 10).
,Les courbes des
fréquences
cumulées touche 2 fois la limite inférieure de confiance :- un peu avant 100
h,
- un peu avant 111 h.
Nous concluons donc au
rejet
de la fonction de distributionA titre de vérification on calcule la distance de
F(x)
auxfréquences
cumulées pour :
Les deux distance
d6o
sontsupérieures
àD 60 = 0, 1575
cequi
confirmela conclusion
précédente.
b)
Nousappliquons
le test deKolmogorov
à la fonction de dis- tributionthéorique normale
de moyenne 170 h etd’écart-type
110 hqui
estreprésenté
en traitplein
sur lafigure
4. Enprocédant
comme dans le cas24
Figure 4 - Durée de service en heures, x.
a nous constatons que la courbe en escalier des
fréquences
cumulées ob- servées restecomprise
entre les deux limites de confiance. La distribution normaleN(170 ; 110) peut
donc être retenue pour décrire la durée de vie dumatériel d’après
l’informationexpérimentale
dont nousdisposons.
c)
Puissance du test pour ladiscrimination
entre les deux loisprécédentes : exponentielle
et normale.Nous avons vu
au §
IVqu’il
étaitpossible
de calculer une valeur mi- norée de lapuissance
du test.Nous faisons le calcul en admettant
l’hypothèse
d’une distribution nor-male des durées de vie contre
l’hypothèse
d’une distributionexponentielle.
Avec les notions
du § IV
on mesure sur lesfigures
3 et 4 la dis- tance maximale entre les deux fonctions de distributionthéoriques :
on aA =
0,17.
d’où
La
puissance
du test 7tn’est jamais
inférieure à0,57
ou encore, lerisque
de 2èmeespèce (3
est inférieur ouégal
à0, 43.
En d’autrestermes ,
en admettant la distribution normale au lieu de la distribution
exponentielle
nous nous
tromperons
auplus
43 fois sur 100 sanspouvoir
mieuxpréciser
ce
risque.
Revue de Statistique Appliquée. 1962 - Vol. X - N 4
Si nous admettions
pour 03B2
la valeurmaximale, 0,
10 nous devrions avoirapproximativement :
d’où:
s Oit :
il faudrait donc un échantillon de 121 observations du durée de vie pour le-
quel
l’écartmaximal, D121 ,
entre la fonction de distributionthéorique
etles
fréquences
cumulées seraitD121 = 1,22 11 = 0, 1109 (au
lieu deD60 = 0, 1575) correspondant
à unrisque
de lèreespèce
a =0,
10.2 - Observations
groupées.
Nous
empruntons
à F.J.Massey [4] ] l’exemple
d’un échantillon de 511 unitésprovenant
d’unepopulation
normale. Les données sont relevées dans la tableau 2.La
plus grande différence,
en valeurabsolue,
entre les effectifs obser-vés et
théoriques
est12, 41 qui correspond
à une différence deF(x)
etS 511 (x)
de
511 - 0, 024.
De la table II on tire la valeur deD511 correspondant
aurisque
de lèreespèce
a =0,05 : D511 = -- 0, 060.
Nous concluons donc que l’écart n’est passignificatif
au seuil habituel0, 05
et que l’échan- tillonpeut provenir
d’unepopulation normale,
les écarts entre les distribu- tionsthéorique
et observée étantimputables
au hasard.Comme nous avons un
grand
échantillon nous pouvonsappliquer
le théo-rème limite de
Kolmogorov
traduit par la table I. La valeur de z corres-pondant
à l’écart maximal observé0,024
est z =0,024511 ~ 0,54.
De latable I de
L(z)
on tire :on a donc environ 93 chances sur 100
d’observer,
du fait du hasard del’échantillonnage,
un écartD511 supérieur
à0, 024,
l’accord est donc éton- nament bon.26 TABLEAU 2
Comparaison
des distributionsthéorique
et observéepour un échantillon d’effectif 511 extrait d’une
population
normale.Remarques :
1/
Legroupement
des observations en classes tend à diminuer la valeur deDn .
Enconséquence,
lerisque
de lèreespèce,
a , est donc inférieur àcelui
qui
est donné dans la table II.Toutefois,
pour degrands
échantillons legroupement
n’entrainequ’une
erreurnégligeable
si l’intervalle de classe n’est pastrop large
et le nombre de classes pastrop
faible(par exemple supérieur
à10). L’exemple
ci-dessus est dans ce cas. De toutefaçon,
grou- per dans un trèspetit
nombre de classespeut
entraîner des conclusions erronnées même pour degrands
échantillons.2/
Le test deKolmogorov
suppose que la fonction de distribution théo-rique
est donnée àpriori indépendamment
de l’information fournie par l’échan-tillonnage.
La distribution de la déviation maximaleDn
n’est pas connuequand
certains
paramètres
de la loithéorique
sont estimésd’après
les données de l’échantillon. Il est vraisemblable que l’estimation de certainsparamètres
en utilisant les observations de l’échantillon tend à diminuer la valeur cri-
tique
deDn correspondant
aurisque adopté. Donc,
si la distance trouvée est alorssupérieure
àDn
de la table II onpeut
sûrement conclure que l’écart estsignificatif
etrejeter
la distributionthéorique
soumise au test.Revue de Statistique Appliquée. 1962 - Vol. X - N’ 4
F. J
Massey
a vérifiéexpérimentalement
cettepropriété [4].
Sur 100échantillons de 10 unités extraits d’une
population normale,
dont les para- mètres sont estimésd’après
leséchantillons,
il a trouvé : le 95èpercentile
de
Dlo
à0, 29
au lieu de0, 41 (de
la tableII)
et le 90èpercentile
à0, 25
au lieu de
0,37 (de
la tableII)
et aucune observation au-dessus de la valeur0, 37.
VI - JUGEMENT SUR LA VALIDITE D’UNE FONCTION DE DISTRIBUTION
THEORIQUE FONDE
SUR LA LOI BINOMIALE -1 -
Principe.
Connaissant la fonction de distribution
F(x)
d’une variable aléatoireX,
laprobabilité
d’observer une valeur inférieure ouégale
à x estF(x).
Lors-que
l’épreuve
estrépétée
n fois laproportion
des résultats inférieurs ouégaux
à x, soitSn(x),
est une variable aléatoirequi
suit une loi binomiale B[n, F(x)].
Nous connaissons donc les limites des fluctuations aléatoires deS,, (x)
à un seuil de confiance fixé à l’avance. Pour toute valeur de x, indé-pendamment
des conclusions en d’autrespoints
de ladistribution, Sn(x)
doitdonc demeurer entre les limites ci-dessus. Dans cette
éventualité,
et danscette éventualité
seulement,
nous dirons queF(x)
estcompatible
avec lesdonnées de l’échantillon.
2 -
Application.
Le test binomial étant
indépendant
deF(x)
nousprendrons
pour celle-ciF(x) =
x avec0
x 1.Dans les
figures 5,
6 et 7 nousreprésentons
les limites de confiancecorrespondant
à la fonction de distributionF(x),
au seuil deprobabilité 0, 95 respectivement
pour n =5,
20 et 100. Les limites K du test deKolmogo-
rov-Smirnov sont tirées de la table
II,
les limites B du test binomial sont lues sur lesabaques
de la distribution binomiale.( 1)
Nous constatons que l’intervalle de confiance du test binomial B n’est pas uniforme comme pour le
test,
K deKolmogorov - Smirnov,
que les pre- mières limites sontplus
serrées que les secondes et quelorsque
n croîtles limites B se
rapprochent
des limites K.Notons que le test binomial
s’applique
que la variable aléatoire X soit continue ou discrète.D’autre
part,
l’intervalle de confiance maximal seproduit
pourF(x) = 0, 50,
onpourrait donc,
dans un but desimplification,
admettre que cet intervalle est constant au détriment de la sévérité du testqui
demeurenéanmoins
plus
sévère que le test deKolmogorov.
3 -
Applications numériques.
Nous reprenons les
exemples numériques du § V auxquels
nousappliquons
le test binomial.
(1) Tables statistiques du Centre de Formation aux Applications Industrielles de la Statis-
tique - (Institut de Statistique de l’Université de Paris).
28
Comparaison
des limites de Confiance deKolmogorovK
e t Binomiale B
n =
5 ,
Seuil de confiance =0, 95
Revue de Statistique Appliquée. 1962 - Vol. X - N’ 4
Figure 6
30 Figure 7
Revue de Statistique Appliquée. 1962 - Vol. X - N 4
- Pour la durée de vie d’un matériel nous allons vérifier la va-
lidité de
F(x) =
1 -e -x/170
pour x = 99. On a :Les limites de confiance de la loi binomiale
B( 60 ; 0, 442)
au seuil0,90
sont :0, 33 - 0, 56
etS6o (99)
est hors de ceslimites,
nousrejetons
donc la fonction de distribution
exponentielle
ci-dessus.-
Appliquons
le test à la distributionthéorique
normaleN( 170, 110)
au
point
d’abscisse x = 99. On a :F(99) =0,26 ;
les limites de confiance de la loi binomialeB( 60 ; 0, 26)
au seuil0, 90
sont0, 16 - 0, 32.
Cet inter- valle contenant lafréquence
dans l’échantillon0, 283, nous acceptons l’hypo-
thèse d’une distribution normale avec un
risque
de lèreespèce
a =0, 10.
- Dans
l’exemple
donné au tableau 2 nous testons le gros écart12,41
entre les distributionsthéorique
et observée par le test binomial287,59
B(511 ; 0, 56) ( 511
=0,56).
L’échantillon est de
grande taille,
laprobabilité théorique
n’est pas voisine dezéro,
nous admettons donc pour les limites de confiance de la loi binomiale au seuil0, 95
les limites à 2écarts-types
autour de0, 56.
On a :et l’écart maximal
qu’on peut permettre
àS!)ll
est0, 022
x 2 =0, 044,
d’oùl’on conclut en faveur de
l’adoption
de la fonction de distribution normale pour lapopulation-mère.
Dans les trois
exemples numériques
que nous avons examinés on aboutit donc aux mêmes conclusions parl’application
soit du test deKolmogorov
soitdu test binomial.
32
REFERENCES
[1] FELLER,
W -"On
theKolmogorov-Smirnov
limit theorems forempirical Distributions" -
Annals of Mathematical Statistics - 19 - 1948 - pp177 - 189.
[2] FOSTER,
J.A. -"Kolmogorov-Smirnov
test forgoodness
of fit : Whatit is - How to
apply it" -
IndustrialQuality
Control - Vol 18 -N° 7 -
1962 - pp 4-8.[3] MASSEY, F.J.,
Jr -"A
note on the estimation of distribution functionby
confidencelimits" -
Annals of Mathematical Statistics - 21 - 1950 - pp 116 - 119.[4] MASSEY,
F.J. ,
Jr -"The Kolmogorov-Smirnov
test forgoodness
offit" -
Journal of the American Statistical Association - 253 - Mars 1951 - pp 68 - 78.[5] MILLER,
L. H. -"Table fo percentage points
ofKolmogorov-statistics" -
Journal of the American Statistical Association - 273 - Mars 1956 - pp 111 - 121.
[6] SMIRNOV,
N. -"Table
forestimating
thegoordness
of fit ofempirical distributions" -
Annals of Mathematical Statistics - 19 - 1948 - pp 279 - 281.[7]
E. de WILDE -"Application
du test deKolmogorov-Smirnov
dans la pra-tique
industrielle.Congrès
international.Organisation Européenne
pour le contrôle dequalité.
Bruxelles 1959.Revue de Statistique Appliquée. 1962 - Vol. X - N’ 4