Vous êtes sur la page 1sur 36

Chapitre III : Plan d'expriences un facteur

Mthodologie danalyse exprimentale III-1


CHAPITRE III : PLAN DEXPERIENCES
A UN FACTEUR


3.1 INTRODUCTION

On appelle un plan dexprience un
facteur une exprience o seulement un
facteur est vari.

Le but de ce plan, appel plan entirement
randomis, est de comparer les rsultats
obtenus en ne faisant varier quun seul
facteur (variable) au cours de
lexprience.

Exemple:
Le facteur singulier pourrait tre diffrentes
sidrurgies. Notre intrt pourrait tre alors de
comparer la duret de lacier provenant de ces
diffrentes sidrurgies. Le facteur pourrait aussi tre
leffet de la temprature sur la production de la
pnicilline, etc.

Le facteur peut tre :

- quantitatif ou qualitatif,
- fixe ou alatoire;

Si lordre dexprimentation des divers niveaux du facteur est
compltement randomis, de sorte que le matriel sur lequel les divers
traitements sont appliqus peut tre considr comme tant
approximativement homogne, le plan est alors appel un plan
dexprience compltement randomis. Le nombre dobservations pour
chacun des niveaux du facteur sera dtermin en considrant les cots
inhrents ltude et la puissance statistique du test.
Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-2
Le modle devient alors :

Y
ij
= u + t
j
+ c
ij


Y
ij
reprsente la i
ime
observation (i = 1, 2, ..., n
j
) du j
ime

traitement (j = 1, 2, ..., k niveaux). Par exemple, Y
23
reprsente
la deuxime observation du troisime niveau du facteur.

reprsente leffet commun pour toute lexprience, cest la
moyenne de toutes les observations.

t
j
reprsente leffet du j
ime
niveau de ce facteur (t
j
suggre
aussi leffet dun traitement).

c
ij
reprsente lerreur alatoire prsente dans la j
ime

observation dans le j
ime
traitement.

Le terme c
ij
qui est due lensemble des
facteurs de variabilit non identifis de
lexprience reprsente les fluctuations
rsiduelles de lexprience (aussi appel
rsidus).

On suppose que ces fluctuations sont distribues alatoirement suivant une
loi normale avec une moyenne 0 et une variance qui est la mme pour tous
les traitements ou niveaux de lexprience.

Cela peut tre exprim de la faon suivante:

c
ij
~ N(0, o
e
)

o o
e
est la variance commune lintrieur de tous les traitements.

Le terme est toujours un paramtre fixe, et t
1
, t
2
, t
3
, ..., t
k
sont des
paramtres fixes en autant que les niveaux du facteur le sont aussi.
Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-3
On suppose galement que :
0
k
1 j
j
= t

=


Si les k niveaux du facteur sont choisis de faon alatoire, les t
1
, t
2
, t
3
, ...,
t
k
sont supposs distribus normalement N(0, o
t
). Que les niveaux soient
fixes ou alatoires dpend seulement de la faon dont les niveaux sont
choisis dans lexprience.

Lanalyse dune exprience compltement randomise un facteur consiste
habituellement en un test de la variance unilatral o lhypothse nulle
est H
0
: t
j
= 0 pour tous les j. Si cette hypothse est vraie, alors aucun effet
d aux traitements nexiste et chacune des observations Y
ij
est compose de
la moyenne de sa population et dune erreur alatoire c
ij
. Aprs une
analyse de la variance (ANOVA), plusieurs autres tests peuvent tre
effectus, comme nous le verrons plus loin.

Exemple:
Dans une manufacture de vtements, une machine est
utilise pour mesurer la rsistance lusure des tissus.
La variable dpendante Y indique la perte de poids en
grammes de matriel aprs un nombre spcifique de
cycles sur la machine. Le problme consiste
dterminer sil y existe une diffrence entre la perte de
poids de quatre (4) types de tissus (A, B, C et D).

Il y a donc un facteur dintrt (tissus) et quatre (4) niveaux distincts pour
ce facteur (A, B, C, D). De plus, ces niveaux sont quantitatifs et fixes.
Lexprimentateur a convenu de prendre quatre (4) chantillons de chaque
tissu et de randomiser compltement lordre de vrification des 16
chantillons. Lexprimentateur fixe, de plus, le niveau de signification de
ce test 1%.

Le modle mathmatique est :

Y
ij
= u + t
j
+ c
ij


i = 1, 2, 3, 4 chantillons
j = 1, 2, 3, 4 niveaux (tissus A, B, C et D)
Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-4
Les donnes recueillies sont les suivantes:

Tissus
A B C D
1,93
2,38
2,20
2,25
2,55
2,72
2,75
2,70
2,40
2,68
2,31
2,28
2,33
2,40
2,28
2,25

Une analyse de la variance effectue sur ces donnes donne les rsultats
suivants:

Source de variation df SS MS
Entre les tissus (t
j
)
Rsidus (c
ij
)
3
12
---
---
---
---
Total 15 ---

u = 2.40

SS(tot) = E(u - 2.40)
2
= 0.7639

A B C D
1,93
2,38
2,20
2,25
2,55
2,72
2,75
2,70
2,40
2,68
2,31
2,28
2,33
2,40
2,28
2,25
moyenne 2,19 2,68 2,4175 2,315

SS(entre les tissus) =
..) . ( Y Y n
j
k
j
j

=1

= 4 x (2,19-2,40)
2
+ 4 x (2,68-2,40)
2
+ 4 x (2,42-2,40)
2
+ 4 x (2,32-2,40)
2

SS(entre les tissus)= 0,5201

SS Rsidus (c
ij
) = SS(tot) - SS(entre les tissus) = 0,2438

MS = SS / df
Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-5

Source de variation df SS MS
Entre les tissus (t
j
)
Rsidus (c
ij
)
3
12
0.5201
0.2438
0.1724
0.0203
Total 15 0.7639

Pour tester lhypothse nulle Ho : tj = 0 pour j = 1, 2, 3, 4, le test statistique
est :
54 . 8
0203 . 0
1734 . 0
F
12 , 3
= =


Pour =1%, on a : F
0.99
,
3
,
12
= 5.95 (Table de Fischer)

Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-6
F
test
> F
thorique
8.54 > 5.95
Conclusion :
Puisque F
test
> F
thorique
nous rejetons lhypothse
nulle et concluons quil existe une diffrence un
niveau de signification de 1 % dans la rsistance
moyenne lusure des tissus tests.

3.2 Le rationnel de lanalyse de variance

Pour rviser les concepts du test F dans une analyse unilatrale de la
variance, considrons le tableau suivant o nous avons k populations,
chacune reprsentant un traitement ou un niveau dun facteur donn.
Traitement
1 2 j k
Y
11

Y
21

Y
31

-
-
Y
i1

Y
12

Y
22

Y
32

-
-
Y
i2




-
-

Y
1j

Y
2j

Y
3j

-
-
Y
ij




-
-

Y
1k

Y
2k

Y
3k

-
-
Y
ik

Moyennes .
1
.
2
.
j
.
k

Lutilisation de la notation point (.) indique laddition de toutes les
observations dune population.

Puisque chaque observation peut tre renvoye la population et mesure,
il peut y avoir un nombre infini dobservations prises dans chaque
population, de sorte que la moyenne ou lesprance E(Y
i1
) = .
1
et ainsi de
suite. reprsente la moyenne des Y
ij
sur toutes les populations, o E(Y
ij
)
= .

Dans le modle, leffet du traitement t
j
, peut aussi tre indiqu par (.
j
- ),
et alors le modle
Y
ij
= u + t
j
+ c
ij

devient :

Y
ij
= u + (.
j
-) + (Y
ij
-.
j
)
Cette dernire expression est une identit vraie pour toutes les valeurs Y
ij
.
Exprim dune autre faon :
Y
ij
- = (.
j
-) + (Y
ij
-.
j
) (quation 1)
Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-7
Puisque les moyennes des populations sont inconnues, des chantillons
alatoires sont prlevs dans chacune des populations et des estimations
sont effectues pour les moyennes des traitements et la moyenne globale de
toutes les observations. Si n
j
observations taient prleves pour chaque
traitement (le nombre dobservations na pas besoin dtre gal pour
chacun des traitements), alors le tableau des observations serait le suivant :

Traitement
1 2 j k
Y
11

Y
21

Y
31

-
-
Y
i1
-
Y
n1 1

Y
12

Y
22

Y
32

-
-
Y
i2

-
-
Y
n2 2




-
-

Y
1j

Y
2j

Y
3j

-
-
Y
ij

-
Y
nj j




-
-

Y
1k

Y
2k

Y
3k

-
-
Y
ik

-
-
Y
nk k


Total
Nombre
Moyennes
T.
1
n
1

1
. Y
T.
2
n
2

2
. Y
T.
j

n
j

j
. Y
T.
k
n
k

k
. Y
T..
N
.. Y

T.
j
reprsente le total (somme) des observations du traitement j,
n
j
reprsente le nombre dobservations dans le traitement j
Y.
j
reprsente la moyenne des observations du traitement j.
T reprsente la somme globale de toutes les observations o :

= = =
=
k
1 j
j
k
1 j
nj
1 i
ij
. T Y
et

=
=
k
1 j
j
n N
.. Y
reprsente la moyenne des N observations
N
. Y n
.. Y
j
k
1 j
j

=
=


Si nous substituons ces statistiques dchantillons leur paramtre de
population correspondants dans lquation #1, nous obtenons :

Y
ij
- Y.. (Y.
j
- Y..) + (Y
ij
- Y.
j
) (Equation 2)
Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-8
Cette quation indique que la dviation de nimporte quelle observation par
rapport la moyenne globale des observations (Y
ij
-Y..) peut tre
subdivise en deux (2) parties distinctes:

- la dviation moyenne du traitement par rapport la moyenne globale
(Y.
j
- Y..)
- la dviation de lobservation par rapport la moyenne du traitement
(Y
ij
- Y.
j
)

Si les deux (2) cts de lquation #2 sont levs au carr et quon effectue
la sommation sur i et j, nous obtenons alors :


= =
= = = = = =
+
+ =
k
1 j
nj
1 i
j ij j
k
1 j
nj
1 i
2
j ij
k
1 j
nj
1 i
k
1 j
nj
1 i
2
j
2
ij
) . Y Y ..)( Y . Y ( 2
) . Y Y ( ..) Y . Y ( ..) Y Y (
(Equation 3)

En examinant la dernire portion de cette expression, on trouve

= = = =

=
k
1 j
nj
1 i
j ij j
k
1 j
nj
1 i
j ij j
) . Y Y ( ..) Y . Y ( ) . Y Y ..)( Y . Y (


Le terme entre les crochets est gal zro, puisque la somme des
dviations autour de la moyenne lintrieur dun traitement donn est
gale zro. Ainsi,


= = = = = =
+ =
k
1 j
nj
1 i
2
j ij
k
1 j
nj
1 i
k
1 j
nj
1 i
2
j
2
ij
) . Y Y ( ..) Y . Y ( ..) Y Y (
(quation 4)

Cette dernire expression rfre lquation fondamentale de
lanalyse de la variance. Elle exprime lide que la somme totale des
carrs des variations autour de la moyenne globale est gale la somme des
carrs des variations des moyennes des traitements autour de la moyenne
globale plus la somme des carres des dviations des observations autour
de la moyenne des traitements correspondants.
Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-9
Nous avons vu qu'un estim sans biais de la variance est
dtermin en divisant la somme des carrs par le
nombre de degrs de libert correspondant
) 1 n (
) Y Yi (
S
n
1 i

=

=


Si lhypothse vrifier pour lanalyse de variance est vraie et que, par
consquent, H
0
: t
j
= 0 pour tous les traitements j (i.e. les traitements nont
aucun effet sur la variable dpendante Y), alors .
1
=.
2
==.
j
=.
k
et
tout ce qui reste dans le modle est la moyenne de la population et
lerreur alatoire c
ij
, Y
ij
= + c
ij
.

Alors dans ce cas, nimporte quel terme de lquation #4
peut tre utilis pour donner un estim sans biais de la
variance commune de la population.

= = = = = =
+ =
k
1 j
nj
1 i
2
j ij
k
1 j
nj
1 i
k
1 j
nj
1 i
2
j
2
ij
) . Y Y ( ..) Y . Y ( ..) Y Y (
(quation 4)

Si nous divisons le terme de gauche de
lquation #4 par le nombre (N - 1) degrs
de libert, nous obtenons alors un estim
sans biais de la variance commune de la
population, o.

1 N
..) Y Y (

k
1 j
nj
1 i
ij

= o

= =


Nous pouvons, de la mme faon, obtenir
un estim sans biais de la variance du
traitement j,
1 n
) . Y Y (
j
2
nj
1 i
j ij
2
j

= o

=


Si les variances des k traitements
sont rellement semblables, leurs
estims pourraient tre mis en
commun ce qui donnerait un
autre estim de la variance
commune de la population, o
2
.
k N
) . Y Y (
) 1 n (
) j . Y Y (

k
1 j
nj
1 i
j ij
k
1 j
j
k
1 j
nj
1 i
ij

= o

= =
=
= =


Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-10
Il est aussi possible de produire un autre estim en dterminant
premirement la variance
2
Y
o entre les moyennes prleves dune
population commune avec
2
Y
o =n
j
2
j . Y
o .
Un estim sans biais pour
2
Y
o est donn par :
1 k
..) Y . Y (
k
1 j
2
j
2
Y

= o

=
de
sorte quun estim sans biais de
2
Y
o est donn par :
1 k
..) Y . Y ( n
k
1 j
2
j j
2
Y

= o

=


Par consquent, Si lhypothse nulle est vraie alors, il y a
trois (3) estims sans biais possible de la variance
commune de la population (o
2
) pour une analyse de la
variance un facteur.

Maintenant, ces trois (3) estims ne sont pas indpendants puisque la
somme des carrs est additionne dans lquation #4. Cependant, on peut
dmontrer que si chacun des deux (2) termes (sommes des carrs) du ct
droit de lquation #4 sont diviss par leur degr de libert respectif, cela
produira deux (2) estims sans biais indpendants de o
2
distribus selon une
KHI-DEUX si lhypothse nulle H
0
est vraie.

Si ces deux (2) estims sans biais indpendants de la mme variance sont
compars, on peut montrer que leur rapport est distribu suivant une
distribution F avec (k - 1) et (N - k) degrs de libert.

Alors, si H
0
est vraie, le test F suivant peut tre utilis pour tester
lhypothse nulle,

MSerreur
nt MStraiteme
k N Y Y
k Y Y n
F
k
j
j
nj
i
ij
j
k
j
j
k N k
=

= =
=

) /( ) . (
) /( ..) . (
,
1 1
1
1
1
(Equation #5)
Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-11
Lhypothse nulle est rejete si F
k-1,n-k
> F
1-o,k-1,n-k


F
1-o,k-1,n-k
est obtenu partir dune table de la distribution F pour (1-o)
et avec (k-1) et (N-k) degrs de libert.

Dans lquation #5, la somme des carrs des traitements est toujours place
au numrateur. Un F significatif indique quil existe probablement une
diffrence relle entre les moyennes de chaque traitement et que
lhypothse nulle doit tre rejete. Ces estims sans biais de la variance de
la population, sommes des carrs (SS) divises par leurs degrs de libert
(df) respectifs, sappellent aussi les sommes des carrs moyens (MS).

Les quations utilises pour calculer les sommes des carrs sont prsentes
dans le tableau suivant:

Source de variation df SS MS



Entre les traitements t
j




k-1
N
.. T
n
. T
..) Y . Y ( n
2
k
1 j
j
2
j
j
k
1 j
j

=
=




1 k
nt SStraiteme





Rsidus c
ij




N-k

= = =
= =
k
1 j
j
j
2
k
1 k
nj
1 i
2
ij
k
1 j
nj
1 i
ij
n
. T
Y
) j . Y Y (




k N
SSerreur






Total


N-1
N
.. T
Y
..) Y Y (
2
k
1 j
nj
1 i
2
ij
k
1 j
nj
1 i
ij

= =
= =







Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-12
Exemple
En appliquant ces quations lexemple sur la rsistance lusure des
tissus, nous trouvons :
Tissus
A B C D
1,93
2,38
2,20
2,25
2,55
2,72
2,75
2,70
2,40
2,68
2,31
2,28
2,33
2,40
2,28
2,25

T.
j
=
nj=

=

=
nj
1 i
2
ij
Y

=
j
. Y
8.76
4


19.2918


2.19
10.72
4


28.7534


2.68
9.67
4


23.4769


2.4175
9.26
4


21.4498


2.315
T..=38.41
N =16

= =
k
1 j
nj
1 i
2
ij
Y =92.9719




On calcule ensuite les sommes des carrs

7639 . 0
16
41 . 38
9719 . 92
N
.. T
Y SStotale
2
k
1 j
nj
1 i
2
ij
= =

=

= =


5201 . 0
16
41 . 38
4
26 . 9
4
67 . 9
4
72 . 10
4
76 . 8
N
.. T
n
. T
nt SStraiteme
2
k
1 j
j
2
j
= + + + =

=

=

Puisque SSerreur = SStotal SStraitement alors, 0.7639 - 0.5201 = 0.2438

SSerreur = 0.2438

On aurait pu aussi calculer la somme des carrs de lerreur avec lquation

4
26 . 9
4
67 . 9
4
72 . 10
4
76 . 8
9719 . 92
n
. T
Y SSerreur
k
1 j
j
j
2
k
1 k
nj
1 i
2
ij
=

=

= = =

SSerreur = 0.2438
Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-13
Finalement on obtient le tableau ANOVA suivant :
Source de variation df SS MS
Entre les tissus (t
j
) 3 0.5201 0.1724
Rsidus (c
ij
) 12 0.2438 0.0203
Total 15 0.7639

Pour tester lhypothse nulle H
0
: (t
j
) = 0 pour j = 1, 2, 3, 4, le test
statistique est :
54 8
0203 0
1734 0
12 3
.
.
.
,
= = F

Pour =1% (spcifi par lexprimentateur), F
0.99
,
3
,
12
= 5.95 (Table
Fisher)
Puisque F
test
> F
thorique
(8.54 > 5.95) nous rejetons lhypothse
nulle et concluons qu il existe une diffrence a un niveau de
signification de 1% dans la rsistance moyenne lusure des
tissus tests.

Le calcul des sommes des carrs peut tre simplifi de la faon suivante :
- On aurait pu retrancher une constante gale deux (2) toutes les
donnes originales et multiplier ensuite par 100. De cette faon, on
aurait pu liminer les dcimales.
- La soustraction des donnes par une constante naffecte pas les
rsultats de lanalyse de la variance, mais la multiplication par 100
multiplie par (100)
2
tous les termes SS. Cependant, puisque le test F
est le rapport des SS (somme des carrs), la valeur de F nest pas
affecte par cette modification des donnes.

3.3 Intervalles de confiance sur les moyennes

Aprs une analyse de la variance, il est souvent utile dtablir les limites de
confiance sur la moyenne dun traitement. Lintervalle de confiance 100(1-
)% sur la moyenne
j
est dtermin partir de lquation suivante:
j
erreur
df , 2 / 1 j
n
MS
t . Y
o
=

o la MS employe pour tester la MS du traitement est MS
erreur
pour une
ANOVA un facteur.
Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-14
Les degrs de libert utiliss pour la statistique t sont les degrs de libert
de la MS employe pour tester la MS du traitement.
Pour notre exemple, quel serait lintervalle de confiance sur la rsistance
moyenne la rupture du tissu B.
2
devient :
4
0203 . 0
t . Y
12 , 975 . 0 2
=

Avec 12 degrs de libert pour t. De la table de la distribution t nous
trouvons que t
0.975, 12
= 2.18.


Lintervalle de confiance 95% est donc 2.68 0.16 soit :
|2.52, 2.84|
Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-15
3.4 Quoi faire aprs une ANOVA
La conclusion que nous avons pu tirer en rsolvant le problme sur lusure
des tissus est quil existe une diffrence significative entre les traitements,
en l'occurrence le type de tissu utilis. LANOVA ne nous a pas indiqu,
cependant, lequel ou lesquels parmi les tissus tests est ou sont les plus
rsistants lusure. Tout ce que nous savons ce stade-ci cest quil existe
une diffrence relle dans la rsistance lusure des divers tissus.
Pour nous permettre de complter notre analyse, nous allons voir une
technique danalyse : le test de Newman-Keuls.

Le Test de Newman-Keuls repose sur les tapes suivantes:

1. Arranger les k moyennes en ordre croissant;

2. De la table ANOVA, noter le MS de lerreur exprimentale et ses
degrs de libert;

3. Calculer lerreur standard de la moyenne pour chaque traitement
j
j . Y
. Y dans obervation ' d Nbre
MSerreur
S
=
o MS
erreur
est le dnominateur du test F;

4. A partir dune table des carts de Student (Annexe: Table E) avec
un niveau significatif , les degrs de libert (n
2
) de lerreur
exprimentale et le nombre p = 2, 3, ..., k, lister les (k - 1) carts.

5. Multiplier ces carts par S
j
. Y . On obtient alors les carts
significatifs.

6. Tester les carts entre les moyennes observes, en commenant par
le plus grand cart vs le plus petit des carts, lequel est compar
ensuite lcart significatif de ltape 5; tester le plus grand avec le
deuxime plus petit et ainsi de suite. On continue avec le deuxime
plus grand vs le plus petit et ainsi de suite jusqu ce que toutes les
paires possibles aient t testes.

Le test est significatif lorsque lcart observ est
plus grand (>) que lcart significatif.
Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-16
Exemple Considrons nouveau notre exemple sur la rsistance lusure
des tissus.
Tissus
A B C D
1,93
2,38
2,20
2,25
2,55
2,72
2,75
2,70
2,40
2,68
2,31
2,28
2,33
2,40
2,28
2,25
T.
j
=
nj=
8.76
4
10.72
4
9.67
4
9.26
4
Moyenne= 2.19 2.68 2.4175 2.315

1. k=4 moyennes 2.19 2.32 2.42 2.68
pour les traitements A D C B

1
er
groupe 2
me
groupe


2. De la table ANOVA, MSerreur = 0.0203 avec 12 df.


3. Calcul de lerreur standard

0712 . 0
4
0203 . 0
S
j . Y
= =

4. De la table des carts de Student (5% et n
2
= 12)
p : 2 3 4
Ecarts : 3.08 3.77 4.20

5. Multiplier les carts par lerreur standard (0.0712)
p : 2 3 4
Ecarts significatifs: 0.22 0.27 0.30

Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-17


6. comparaison du plus grand au plus petit
+ gd vs + petit B vs A, B-A=0.49 > 0.30 significative
+ gd vs 2
ime
+ petit B vs D, B-D=0.36 > 0.27 significative
+ gd vs 3
ime
+ petit B vs C, B-C=0.26 > 0.22 significative
2
ime
+ gd vs + petit C vs A, C-A=0.23 < 0.27 non significative
2
ime
+ gd vs 2
ime
+ petit C vs D, C-D=0.10 < 0.22 non significative.
3
ime
+ gd vs + petit D vs A, D-A=0.13 < 0.22 non significative

De ces rsultats, nous observons que B diffre significativement (>) de A,
D et C mais que A, D et C ne diffrent pas les uns des autres. Ces rsultats
sont illustrs la figure suivante:

Traitement A D C B

Moyenne 2.19 2.32 2.42 > 2.68
Diffre significativement
Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-18
3.5 Exemple
Le temps de pr-chauffage de la cathode (en secondes) a t mesur
pour trois (3) tubes diffrents en effectuant huit (8) mesures par tube.
Les mesures ont t effectues dune faon compltement randomise.
Les rsultats sont les suivants:

Tubes
A B C
26 27 23 25 16 19
24 26 24 24 15 17
26 28 26 26 18 19
28 25 27 27 17 18

Cet exemple illustrera lapplication de lanalyse de variance et du test de
lhypothse voulant que les traitements (type de tube) naffectent pas la
variable dpendante (temps de pr-chauffage). On verra aussi les tapes
dlaboration du graphique des moyennes et des intervalles de confiance
(95%), ainsi que lapplication du test de Newman-Keuls.

Feuille de calcul: ANOVA
Nom de la variable : Tube
Niveau [A] [B] [C] [ ] [k= 3 ]
j=1 j=2 j=3 j=4
i=1 26 23 16
i=2 27 25 19
i=3 24 24 15
i=4 26 24 17
i=5 26 26 18
i=6 28 26 19
i=7 28 27 17
i=8 25 27 18

T.j 210 202 139 T..= 551
Nj 8 8 8 N = 24

=

=
nj
1 i
2
ij
Y
5526 5116 2429
=

= =
k
1 j
nj
1 i
2
ij
Y 13071

Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-19
Calcul des sommes des carrs df
SStotale= 96 . 420
24
551
13071
N
.. T
Y
k
1 j
nj
1 i
2
ij
= =

= =


N-1 = 23
SStraitement=
08 . 378
24
551
8
139
8
202
8
210
N
.. T
n
. T
k
1 j
j
= + + =

=


k-1 = 2
SSerreur = SStotal - SStraitement= 420.96 378.08 = 42.875 N-k = 21

Source de variation df SS MS F
Traitement (t
j
)
Erreur (c
ij
)
2
21
378.08
42.875
189.04
2.041
92.6
------
Total 23 420.96 ------ ------

Interprtation de lANOVA:
Du tableau ANOVA
De la table dune distribution Fisher (o = 0.05):
F-test = 92.6
F-
thorique
= F
o,k-1,N-k
= F
0.05,2,21
= 3.47










Ftest > Fthorique Rejeter H
0

Ftest < Fthorique Accepter H
0



Commentaires:
Rejeter H
0
:
Il existe une diffrence significative (p<0.05) entre les temps de
prchauffage de la cathode des tubes.

Accepter H
0
Rejeter H
0

o=0.05
3.47 F

92.6
Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-20
Construction graphique des moyennes et intervalles de confiance
Calcul des moyennes
Nom de la variable : Tubes
Niveau [A] [B] [C] [ ] [ ] [ ]
j=1 j=2 j=3 j=4 j=5 j=6

T.j = 210 202 139
Nj = 8 8 8

=
j
. Y
26.25 25.25 17.38
Calcul des intervalles de confiances (95%)
nj
MSerreur
t . Y
df , 2 / 1 j o
=
De la table Student : t
1 - 0.05/2,21
= 2.08 (1)
05 . 1
8
041 . 2
08 . 2
nj
MSerreur
) 1 ( = = (2)

) ( .
) ( .
2
2
=
+ =
j
j
Y LI
Y LS


=
j
. Y
26.25 25.25 17.375
(2) 1.05 1.05 1.05

LS Calcule 27.3 26.3 18.4
LI Calcule 25.2 24.2 16.3

Nom de la variable : Tubes

27

26

25

24

23

22

21

20

19

18

17

16

A B C
Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-21
Feuille de calcul: Test de Newman-Keuls
Nom de la variable : Tube
Niveau [A] [B] [C] [ ] [k= 3 ]
j=1 j=2 j=3 j=4

T.j 210 202 139
Nj 8 8 8

=
j
. Y
26.25 25.25 17.38

1. Arranger les moyennes
en ordre croissant
=
j
. Y
17.38 25.25 26.25
Niveau C B A

2. De la table de ANOVA : Ms-erreur = 2.041 df-erreur = 21
3. Calcul de lerreur standard :
505 . 0
8
041 . 2
n
MSerreur
j
j . Y
S
= = = (1)
4. De la table des carts de Students : (5%, n
2
=df=21) (annexe D-10)
P 2 3
Ecart 2.94 3.57

5. Multiplier les carts par lerreur standard (1)
Ecarts significatifs 1.48 1.803

6. Comparaison entre les moyennes
Niveau
(grand)
Niveau
(petit)
Diffrence entre
les moyennes
> ou < Ecart
significatif
*
(>)
A Vs C 8.875 > 1.803 *
A VS B 1.0 < 1.48
B VS C 7.875 > 1.48 *






Commentaires :
- Le tube C diffre significativement des tubes A et B.
- Les tubes A et B sont statiquement semblables.

Traitement 17.375 25.25 26.25

Moyenne C < B A

Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-22
3.6 Vrifier lexactitude du modle

En appliquant les techniques de lanalyse de la variance (ANOVA), un
certain nombre de considrations doit tre gard lesprit :

1. Les rsidus sont distribus suivant une distribution normale;
2. Les rsidus sont indpendants;
3. Les variances tous les k niveaux du facteur sont homognes
(gales).

Les principaux outils de diagnostics utiliss sont bass sur les rsidus. Les
rsidus dun modle sont exprims de la faon suivante:
.

i
ij ij ij ij
Y Y Y Y e = =

Ainsi, les rsidus du i
ime
traitement (observation ou exprience) sont
dtermins en soustrayant la moyenne du traitement par chacune des
observations du traitement. La vrification du modle consiste
habituellement faire le graphique des rsidus. Un tel diagnostic devrait
tre effectu chaque analyse exprimentale.

3.6.1 Vrification de la normalit des rsidus
Une vrification de la normalit peut tre effectue en ralisant
lhistogramme des rsidus. Si lhypothse de la normalit des rsidus est
vrifie (N(0,o)), alors le graphique devrait avoir lallure dune
distribution normale centre zro.
Une autre procdure utile pour vrifier la normalit des rsidus consiste
positionner les rsidus sur un graphique probabilit-normale. Pour raliser
ce graphique, il suffit dordonner les rsidus en ordre croissant et de
positionner chaque k
ime
rsidus en fonction de sa probabilit cumulative P
k

sur le graphique probabilit- normale avec :

P
k
= (k- 1/2)/N
Si la distribution des rsidus est normale, alors le graphique devrait
ressembler une ligne droite (il faut surtout insister sur les points
centraux plutt que sur les points extrmes).
Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-23
Exemple
Rsistance en tension
Pourcentage en coton
15% 20% 25% 30% 35%

7(-2.8)
7(-2.8)
12(5.2)
11(1.2)
9(-0.8)


12(-3.4)
17(1.6)
12(-3.4)
18(2.6)
19(2.6)

14(-3.6)
18(0.4)
18(0.4)
19(1.4)
19(1.4)

19(-2.6)
25(3.4)
22(0.4)
19(-2.6)
23(1.4)

7(-3.8)
10(-0.8)
11(0.2)
15(4.2)
11(0.2)
Moyenne 9.8 15.4 17.6 21.6 10.8
( )indique les rsidus




Ordre


Rsidus

Pk

Ordre

Rsidus

Pk

1
2
3
4
5
6
7
8
9
10
11
12
13


-3.8
-3.6
-3.4
-3.4
-2.8
-2.8
-2.8
-2.6
-0.8
-0.8
0.2
0.2
0.4

0.0200
0.0600
0.1000
0.1400
0.1800
0.2200
0.2600
0.3000
0.3400
0.3800
0.4200
0.4600
0.5000

14
15
16
17
18
19
20
21
22
23
24
25


0.4
0.4
1.2
1.4
1.4
1.4
1.6
2.6
2.6
3.4
4.2
5.2


0.5400
0.5800
0.6200
0.6600
0.7000
0.7400
0.7800
0.8200
0.8600
0.9000
0.9400
0.9800



25
) 5 . 0 k (
Pk

=

Le graphique de probabilit-normale est prsent la figure suivante. De ce
graphique, on observe que la distribution des rsidus est lgrement
asymtrique vers la droite. La distribution nest pas, toutefois, trs loin de
la normalit.

Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-24
Plusieurs tudes ont montr quun cart mme modr dans
la normalit des rsidus naffectait pas srieusement les
rsultats de lanalyse lorsque le nombre dobservations par
traitement est le mme pour tous les traitements.

On dit gnralement de lanalyse de la variance
quelle est robuste, en ce sens quelle est peu
sensible des carts de la normalit.

Un cart important par rapport la normalit entrane gnralement une
rduction de la puissance du test.



Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-25
3.6.2 Graphique des rsidus en fonction du temps

Llaboration du graphique des rsidus en fonction du temps est utile pour
dtecter une corrlation entre les rsidus.

Une distribution prsentant une tendance positive ou ngative des rsidus
est une indication dune corrlation positive. Dans un tel cas, lhypothse
voulant que les rsidus soient indpendants nest plus valide. Une
randomisation inadquate peut tre souvent la cause dune dpendance des
rsidus.

Certaines conditions peuvent parfois voluer au cours dune exprience
causant ainsi un changement dans la variance des erreurs. Une telle
situation peut aussi tre dtecte partir dun graphique des rsidus en
fonction du temps. Cette situation conduit habituellement une variation
dans ltendue des rsidus en fonction du temps.

La figure suivante prsente un graphique des rsidus en fonction du temps.


















Le temps reprsente ici le moment o l'observation a t effectue. Un
examen de ce graphique indique qu'il n y a pas lieu de suspecter une
dpendance possible entre les rsidus.


+6

+4

+2

0

-2

-4

-6
Temps
Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-26
3.6.3 Graphique des rsidus en fonction de la valeur prdite
ij
Y


Si le modle est adquat et que les hypothses sont satisfaites, alors les
rsidus ne devraient prsenter aucun gabarit particulier. De ce fait, ils
devraient tre indpendants de n'importe quelle variable, incluant les
valeurs prdites
ij
Y

.

Le simple examen d'un graphique des rsidus en fonction de la valeur
prdite
ij
Y

permet de dtecter une telle situation. La figure suivante


prsente un tel graphique. Aucun gabait particulier n'apparat sur ce
graphique.














3.6.4 Homognit de la variance

Plusieurs tests ont t suggrs pour vrifier lhomognit des variances
dans les traitements.
Une faon rapide de vrifier lhomognit de la
variance est dexaminer ltendue (R) des
observations lintrieur de chaque traitement.

Par exemple, pour notre exemple sur1a rsistance lusure des tissus, les
tendues sont 0.45, 0.20, 0.40 et 0.15. Si la moyenne des tendues R
multiplie par un facteur D
4
(il sagit du mme facteur D
4
utilis en contrle
statistique de la qualit) et que toutes les tendues sont infrieures
4
D R ,
nous pouvons assumer que les variances sont homognes.

+6

+4

+2

0

-2

-4

-6
Y
ij

Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-27
Tissus
A B C D
1,93
2,38
2,20
2,25
2,55
2,72
2,75
2,70
2,40
2,68
2,31
2,28
2,33
2,40
2,28
2,25
Etendus R 0.45 0.20 0.40 0.15
La moyenne des tendues R est : R = 0.30


Dans notre exemple, R est gale 0.30 et
4
D R = 0.68 (bas sur un
nombre dobservations n=4). Puisque toutes les tendues (R) sont
infrieures 0.68, lhomognit des variances peut tre raisonnablement
assume. Les valeurs de D
4
pour diffrentes tailles dobservations n par
traitement sont donnes au tableau suivant:


n = 2 3 4 5 6 7 8 9 10
D
4
= 3.267 2.575 2.282 2.115 2.004 1.924 1.864 1.816 1.777









Si un test plus prcis est requis, nous pouvons utiliser le test de Bartlett.




A B
C
D
LSC=
4
D R =0.68
Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-28
Test de Bartlett pour Ihomognit des variances
Ce test permet de vrifier lhypothse suivante
2
k
2
4
2
3
2
2
2
1
........ o = = o = o = o = o

Ce test requiert le calcul des logarithmes naturels. Lhypothse tester est
celle o les variances de k populations distribues normalement sont
gales. La taille des chantillons (nombre dobservations par traitement) est
n
j
, o n
j
=N. On dnote la variance du j
ime
chantillon par S
j
2
. Voici les
statistiques requises,

| |
| |
2
2 1
k
1 j
j
2
j
k
1 j
j
2
p
2
j
k
1 j
j
2
p
A
1 k
1 k
k N
1
)
1 n
1
(
) 1 k ( 3
1
A
k N
S ln 1 n
S
S ln 1 n S ln ) k N ( M
+
= v = v

=
=

=
=
=

) M b (
M
F
2
A 1
b
1
2
,
2
2
2 1
v
v
=
v
+
v
=
v v


Le test de Bartlett est bas sur la statistique F. Nous rejetons lhypothse
des variances homognes si le F
calcul
est plus grand que le F
thorique
cest--
dire si F
1, 2
> F
1-, 1, 2
.On notera que le degr de libert
2
ne donne pas
Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-29
toujours un nombre entier; il faut alors interpoler dans la table de la
distribution F (annexe: table D).
Supposons que nous avons quatre (4) chantillons de tailles 3, 3, 3, et 4
avec respectivement des variances de 6.33, 1.33, 4.33 et 4.33. En
substituant ces valeurs dans les statistiques ci haut, nous obtenons
31 . 0
) 127 . 1 9 . 165 ( 3
) 127 . 1 ( 6 . 136
F
9 . 165
6 . 136
2
1913 . 0 1
6 . 136
b
6 . 136
1913 . 0
1 4
3 1 4
1913 . 0 )
9
1
3
1
2
1
2
1
2
1
(
) 1 4 ( 3
1
A
127 . 1 ) 33 . 4 ln( 3 ) 33 . 4 ln( 2 ) 33 . 1 ln( 2 ) 33 . 6 ln( 2 ) 11 . 4 ln( 9 M
11 . 4
4 13
) 33 . 4 ( 3 ) 33 . 4 ( 2 ) 33 . 1 ( 2 ) 33 . 6 ( 2
S
6 . 136 , 3
2
1
2
p
=

=
=
+
=
=
+
= v
= = v
= + + +

=
= =
=

+ + +
=

De la table de la distribution F avec = 0.05,
F
0.95,3, 120
= 2.68
F
0.95,3,
= 2.60
En interpolant, on obtient
F
0.95, 3, 136.6
2.67
Ainsi, puisque F
3
, 136.6 nest pas plus grand que F
0

95
, 3,136.6 (0.31
<2.67), nous ne pouvons pas rejeter lhypothse nulle et nous concluons
qu un niveau significatif de 5%, les variances des chantillons sont gales
ou homognes.

Le lecteur pourra vrifier que nous aurions galement rejet lhypothse
nulle dans notre exemple sur la rsistance lusure des tissus.
Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-30
3.6.5 Transformation de la variable dpendante Y

Avec certaines variables mesures, il est possible que les moyennes et les
variances des traitements soient dpendantes dune certaine faon. Par
exemple, pour une variable qui suit une distribution de Poisson, sa
moyenne et sa variance sont gales.
Il peut tre dmontr mathmatiquement quune condition ncessaire et
suffisante pour la normalit dune variable est que les moyennes et les
variances provenant dune population soient indpendantes les unes des
autres.

Si nous savons lavance ou que nous avons observ que les moyennes et
les variances des chantillons ne sont pas indpendantes mais relies dune
certaine faon les unes par rapport aux autres, il nous est possible de
briser cette corrlation en effectuant une certaine transformation sur la
variable dpendante Y.

La table suivante donne quelques transformations utiles employer si une
telle relation existe entre les moyennes et les variances.

Lorsque est proportionnel Transformer Yij en

j
j
2
j
2
j
S
S
S
S

2
j
j
j j
j
Y
Y
) Y 1 ( Y
Y


ij
ij ij
ij
ij
Y
1
) 1 Y log( ou Y log
) Binomial cas ( Y sin arc
) Poisson cas ( Y
+









Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-31
Annexe Chapitre III

Feuille de calcul: ANOVA

Nom de la variable :
Niveau [ ] [ ] [ ] [ ] [ ] [ ] [k= ]
j=1 j=2 J=3 j=4 j=5 j=6
i=1
i=2
i=3
i=4
i=5
i=6
i=7
i=8

T.j T..=
nj N =

=

=
nj
1 i
2
ij
Y

=

= =
k
1 j
nj
1 i
2
ij
Y



Calcul des sommes des carrs df
SStotale= =

= =
N
.. T
Y
k
1 j
nj
1 i
2
ij

N-1 =
SStraitement= =

=
N
.. T
n
. T
k
1 j
j

k-1 =
SSerreur = SStotal - SStraitement= N-k =



Source de variation df SS MS F
Traitement (t
j
)
Erreur (c
ij
)

------
Total ------ ------

Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-32
Interprtation de lANOVA:


Du tableau ANOVA
De la table dune distribution Fisher (o = ):
F
test
= F
thorique
= F
k-1,N-k
= F , . =
















Ftest > Fthorique
Rejeter H
0

Ftest < Fthorique
Accepter H
0



Commentaires:











Accepter H
0
Rejeter H
0

o=
Ftho F Ftest
Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-33
Construction graphique des moyennes et intervalles de confiance

Calcul des moyennes

Nom de la variable :
Niveau [ ] [ ] [ ] [ ] [ ] [ ]
j=1 j=2 j=3 j=4 j=5 j=6

T.j =
Nj =

=
j
. Y


Calcul des intervalles de confiances (95%)

nj
MSerreur
t . Y
df , 2 / 1 j o
=

De la table Student (annexe D-3): t
1 - /2 , df
= (1)

=
nj
MSerreur
) 1 ( (2)


) 2 ( . Y LI
) 2 ( . Y LS
j
j
=
+ =



=
j
. Y

(2)

LSC
LIC



Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-34
Nom de la variable :



29

28

27

26

25

24

23

22

21

20

19

18

17

16



























Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-35
Feuille de calcul: Test de Newman-Keuls

Nom de la variable :
Niveau [ ] [ ] [ ] [ ] [ ] [ ] [k= ]
j=1 j=2 j=3 j=4 j=5 j=6

T.
j

n
j


=
j
. Y



1. Arranger les moyennes en ordre croissant :

=
j
. Y

Niveau

2. De la table de ANOVA : Mserreur =
dferreur =

3. Calcul de lerreur standard :

j
j . Y
n
MSerreur
S
= (1)

4. De la table des carts de Students : (%, n
2
=df) (annexe D-10)

P
Ecart


5. Multiplier les carts par lerreur standard (1)


Ecarts significatifs



Chapitre III : Plan d'expriences un facteur
Mthodologie danalyse exprimentale III-36
6. Comparaison entre les moyennes

Niveau
(grand)
VS Niveau
(petit)
Diffrence entre
les moyennes
> ou < Ecart
significatif
*
(>)
VS
VS
VS
VS
VS
VS
VS
VS
VS
VS
VS
VS
VS
VS
VS










Commentaires :











Traitement

Moyenne
<