P

lans P
lans
Plan du cours
„ Introduction
Les plans d’expérience „ Le plan à un facteur
„ Plans à deux facteurs
„ Plans factoriels
Initiation à leur analyse et à „ Complets
leur construction „ Incomplets
J.S. Pierre „ Autres plans
„ Carré latin
mercredi 9 janvier 2008 „ Split-
Split-plot
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 1 d'expérience 2

P
lans P
lans
Définition

„ Un plan d’expérience consiste en la

Introduction mise en œuvre organisée d’un
ensemble d’unités expérimentales de
manière à révéler les effets de
Vocabulaire de la différents traitements
planification et de l’analyse „ Exemple : comparer les effets de
de variance quatre antibiotiques sur une souche
de bactéries
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 3 d'expérience 4

P
lans
Vocabulaire
P
lans
Facteurs
„ Variable à expliquer „ On appelle facteur un ensemble de
„ Ou réponse
„ Ce que l’on mesure traitements de « même nature » (liés
„ Constitu(
Constitu(ent)
ent) les résultat du plan par une similitude logique) et
„ Résultat univarié
„ Résultat multivarié mutuellement exclusifs
Variable explicative
„
„ Covariable
„ Ces différents traitements sont
„ Variable quantitative mesurée préalablement à l’expérience nommés modalités ou encore niveaux
Non influencée par le plan
„
„

Facteur
(levels)
levels)
„ Ensemble de modalités disjointes

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 5 d'expérience 6

1
P
lans
exemple
P
lans
Unités expérimentales
„ Essai sur les colzas, réalisé en 2004 par les „ On nomme « unités expérimentales »
étudiants de l’UE. le facteur « variété » a quatre
modalités ou « individus » les objets (a priori
„ Parapluie
Tanto
identiques) sur lesquels on applique
les traitements
„
„ Darmor
„ Darmor Nain „ Exemple
„ Dans le même essai, le facteur « terreau » a trois
modalités „ Cas des antibiotiques : 1 unité expérimentale
„ Terreau de semis = une boîte de Petri
„ Terreau de repiquage „ Cas des colza : 1 unité expérimentale = 1
„ Terreau pour plantes d’intérieur godet perdu avec 4 graines

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 7 d'expérience 8

P
lans
Ressources, allocation
P
lans
Analyse des plans

„ Ressources : nombre d’unités „ Relève de la statistique

expérimentales disponible „ Définition
„ Allocation : répartition des ressources „ On appelle Statistique un ensemble de
techniques de mathématiques
parmi les modalités appliquées destinées à extraire le signal
„ Exemple : colza, allocation équilibrée du bruit
„ Signal : ce qui est signifiant
„ Bruit : ce qui est insignifiant vis à vis du
signal étudié (aléatoire)

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 9 d'expérience 10

P
lans
Deux citations
P
lans
Construction des plans

„ René Thom : „ Relève de la Recherche opérationnelle

„ « Halte au hasard, silence au bruit ! » „ C’est à dire des techniques
„ Le Débat n°3 juillet-
juillet-août 1980 éditions d’optimisation
d’optimisation
Gallimard, Paris, 192p.
„ « Ce qui limite le vrai ce n’est pas le faux „ Nous aurons donc la charge
mais l’insignifiant » d’optimiser sur la base de nos
„ Prédire n’est pas expliquer page 132 connaissances statistiques

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 11 d'expérience 12

2
P
lans P lans
1. Plan à Un facteur
„ 1.1. Mise en œuvre
1.2. Analyse
1. Le plan à un facteur
„
„ Analyse de variance
„ Comparaisons multiples de moyennes (tests « post hoc »)
„ Substituts à ou extensions de l’analyse de variance
„ Anova non paramétrique
Ou plan en randomisation „ Modèle linéaire généralisé (définition)

totale „ 1.3. optimisation

„ Détermination du nombre de répétitions nécessaires
„ Allocation optimale eu égard aux objectifs du plan

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 13 d'expérience 14

P
lans
1.1. Mise en oeuvre
P lans
Exemple

„ A. On détermine l’allocation „ Quatre antibiotiques

„ Nombre d’unités expérimentales par et un témoin
Clométocilline
modalité du facteur
„

Sulbactam „ Pénicilline G

„ B. Chaque unité reçoit une modalité „

„
Pénicilline V
Sulbactam
par tirage au sort exhaustif „ Témoin

„ = randomisation „ 20 boîtes de culture

„ P

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 15 d'expérience 16

P
lans P lans

1.2. Analyse L’analyse de variance

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 17 d'expérience 18

3
P
lans
Le modèle statistique
P
lans
But
„ Quel est le modèle statistique du plan à un „ Rejeter l’hypothèse nulle :
facteur (effets fixés) ?
Yij est le résultat mesuré sur la j ième u.e. de
H 0 ⇔ α1 = α 2 = ... = α i = ...α p = 0
„
la i ième modalité

Yij = µ + α i + ε ij „ Absence totale d’effet du facteur

Effet moyen
Effet de la modalité i
résidu „ Hypothèses alternatives
On reconnaît le modèle de
„
l’échantillonnage stratifié ∃i,α i ≠ 0
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 19 d'expérience 20

P
lans La décomposition des sommes P
lans
Graphiquement
de carrés d’écarts
„ Considérons un écart à la moyenne des
valeurs observées y.. yi. yij
yij − y..
„ Intercalons dans cet écart la moyenne des y.. yij
individus d’une modalité Modalité 1

yij − yi. + yi. − y.. Modalité 2

Modalité 3 (i )

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 21 d'expérience 22

P
lans
Elevons au carré
P
lans
Sommons

(y ij − y.. ) = ( yij − yi . + yi . − y.. )

2 2
„ Sur toutes les unités
ni

∑∑ ( y − y.. ) =
p

(y − y.. ) = ⎡⎣( yij − yi. ) + ( yi. − y.. ) ⎤⎦

2
2 2 ij
i =1 j =1
ij
ni
= ∑∑ ( yij − yi. ) + ∑ ni ( yi. − y.. ) +
p p
2 2

= ( yij − yi. ) + ( yi. − y.. ) + 2 yi. ( yij − yi. ) − 2 y.. ( yij − yi. )
2 2 i =1 j =1 i =1

ni ni
+2∑ yi. ∑ ( yij − yi. ) − 2 y.. ∑∑ ( yij − yi. )
p p

i =1 j =1 i =1 j =1
14243 14243
J.S. Pierre Intro plans =0 J.S. Pierre Intro plans =0
d'expérience 23 d'expérience 24

4
P
lans
Et finalement
P
lans
Notations commodes
SCET : Somme des carrés des écarts totale
ni

∑∑ ( y − y.. ) =
p
2 „

SCEB : Somme des Carrés des Ecarts Inter

ij
i =1 j =1 „
144 2443
T (Between)
Between)
Somme des carrés
des écarts totale „ Ou factorielle
ni „ SCEW : Somme des Carrés des Ecarts Intra
= ∑∑ ( yij − yi. ) + ∑ ni ( yi. − y.. )
p p
2 2
(Within)
Within)
i =1 j =1 i =1 Ou résiduelle
144 2443 14 4244 3 „

SCET = SCEB + SCEW

W B
Somme des carrés Somme des carrés „
des écarts inter
„ T = W + B
des écarts intra

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 25 d'expérience 26

P
lans
Sous Ho
P
lans
En particulier
yij = µ + ε ij ⎛ SCEB ⎞
E ( SCEB ) = ( p − 1)σ 2 ⇒ E ⎜ ⎟ =σ
2

⎝ p −1 ⎠
Var ( ε ij ) = σ 2
⎛ SCEw ⎞
„ Au produit par E ( SCEw ) = ( n − p )σ 2 ⇒ E ⎜ ⎟ =σ
2
E ( SCET ) = ( n − 1)σ 2 ⎝ n− p ⎠
les « degrés de
E ( SCEB ) = ( p − 1)σ 2 liberté » près ⎛ SCEw ⎞ ⎛ SCEB ⎞
⎟ = E ⎜ p −1 ⎟ = σ
2
Et donc E⎜
„ Toutes ces ⎝ n− p ⎠ ⎝ ⎠
E ( SCEw ) = ( n − p )σ 2
sommes de
carré mesurent „ Sous H0, « variance » inter et « variance » intra
sont égales enJ.S.
espérance
J.S. Pierre Intro plans
d'expérience la même chose27 Pierre Intro plans
d'expérience 28

P
lans
Sous H1
P
lans
D’où la statistique
yij = µ + α i + ε ij
„ F de Fisher :
SCEB
Var ( ε ij ) = σ R2 ( p −1)
F=
SCEw
E ( SCEB ) E ( SCEw )
>> ( n− p )
( p − 1) (n − p)
„ Si F est « assez grand » on décidera
J.S. Pierre Intro plans
que le facteur a un effet
J.S. Pierre Intro plans
d'expérience 29 d'expérience 30

5
P
lans
Comment est distribué F ?
P
lans
F est-il assez grand
„ Cela dépend des hypothèses sur les erreurs „ Pour rejeter Ho ?
„ Si les erreurs sont
„ - Distribuées normalement
„ On peut utiliser une table
„ - Indépendantes deux à deux „ Exemple : F =4.8, dl1 = 4, dl2 = 44
„ - Avec une espérance nulle
„ - Et une variance uniforme σ2 indépendante de la
modalité i
„ Le numérateur est distribué comme un χ2 à p – 1
degrés de liberté
„ Le dénominateur est distribué comme un χ2 à n – p
degrés de liberté
„ F est alors distribué comme une variable de Fisher –
Snedecor à p –J.S.1 d'expérience
et nIntro
Pierre –p degrés de liberté
plans
31
J.S. Pierre Intro plans
d'expérience 32

P
lans
Décision
P
lans
Utilisation d’un logiciel
Valeur de F
„ Sur la base de la table précédente „ Par exemple R
„ Problème Anatalanta Probabilité exacte
„ La valeur supérieure limite est 2.58 d’un F supérieur
„ Anova directe :
„ Le seuil de la table est α = 0.05 > attach(
attach(anatal)
anatal)
> anova(
anova(lm(
lm(Lo~station
Lo~station %in% altitude)) Code de niveau
„ 4.8 est supérieur à 2.58 Analysis of Variance Table De significativité

„ On déclare l’effet du facteur significatif Response:

Response: Lo
Df Sum Sq Mean Sq F value Pr(>F)
Pr(>F)
au seuil α = 0.05 station:altitude 7 3.5630 0.5090 17.573 < 2.2e-
2.2e-16 ***
Residuals 312 9.0371 0.0290
---
Signif.
Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1
>

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 33 d'expérience 34

P
lans
Autre utilisation du logiciel
P
lans Le tableau d’analyse de
variance
On cherche la probabilité exacte
dl (df
(df))
Source SCE (SSQ) CM (MS) F p
„ 2

d’obtenir un F supérieur ou égal à 4.8

ni

∑∑ ( y − y..) n-1
p

Total ij SCET/(n-1)

avec dl1 = 4 et dl2 = 44

i =1 j =1

∑n (y − y..)
2
Inter (B) p- 1 SCEB/(p-1) CMB/CMW p (F>=Fobs
(F>=Fobs))
> pf(4.8,4,44,
pf(4.8,4,44,lower
lower. .tail=F)
tail=F) i =1
i i.

ni 2

∑∑ ( y
p
[1] 0.002665292 Intra (W) ij − yi. ) n-p SCEW/(n-p)
i =1 j =1

> # vé
vérification de la table
> pf(2.58,4,44,
pf(2.58,4,44,lowerlower. .tail=F)
tail=F) Note : R ne fournit pas la somme des carrés des écarts totale.
On sait qu’on peut la retrouver en additionnant les autres sources
[1] 0.05025123 de variation
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 35 d'expérience 36

6
P
lans P
lans Comment contrôler la validité
des résultats ?
„ Graphiques
Validité „
„
Histogramme des résidus
Droite de Henry des résidus
„ Résidus en fonction de l’estimée
„ Résidus en fonction de l’ordre des données
Des résultats „ Tests
„ Normalité des résidus
„ Kolmogorov
„ Shapiro-
Shapiro-Wilks
„ Egalité des variances
„ Bartlett
„ A relativiser (Anova
(Anova « robuste » aux écarts aux
J.S. Pierre Intro plans hypothèses)J.S. Pierre Intro plans
d'expérience 37 d'expérience 38

P P
Lo : résidus en fonction de l'estimée
Lo : Histogramme des résidus

lans lans
Exemple : Anatalanta Exemple : Anatalanta
80
0.4

60
0.2

Frequency

40

> lm(
lm(Lo~station
Lo~station %in% altitude)-
altitude)->m1 > hist(m1$
hist(m1$res
res,main="
,main="Lo
Lo : Histogramme des ré résidus")
>
> plot(m1$fit,m1$res
plot(m1$fit,m1$res)
)
20
0.0

Lo (res): droite de Henry

> qqnorm(m1$
qqnorm(m1$res
res,main="
,main="Lo
Lo (res)
res) : droite de Henry
m1$res

")

0.4
> abline(0,0)
abline(0,0)
0

> qqline(m1$
qqline(m1$res
res)
)
> title("
title("Lo
Lo : ré
résidus en fonction
0.2
-0.2

-0.6 -0.4 -0.2 0.0 0.2 0.4

> shapiro.test(m1$res)
shapiro.test(m1$res) m1$res

de l'estimé
l'estimée")
Sample Quantiles

0.0

Shapiro-
Shapiro-Wilk normality test
-0.4

-0.2

data: m1$res
-0.4
-0.6

W = 0.9787, p-
p-value = 0.0001096
-0.6

-3 -2 -1 0 1 2 3
1.55 1.60 1.65 1.70 1.75 1.80 1.85
J.S. Pierre Intro plans J.S. Pierre Intro plans Theoretical Quantiles

d'expérience
m1$fit 39 d'expérience 40

P
lans
Résumé
P
lans

„ L’analyse de variance permet de juger

l’effet de tout un ensemble de modalités Comparaisons multiples de
„ On compare une estimation de la variance moyennes
interindividuelle
„ A partir de la somme des carrés des écarts inter
(B) Ou « tests post hoc »
„ Et à partir de la somme des carrés des écarts
intra (W)
„ Par la statistique F de Fisher
„ Il nous reste à comparer les modalités
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 41 d'expérience 42

7
P
lans
Une mauvaise idée
P
lans
Avec les codes habituels

„ Comparer toutes les moyennes deux m1 m2 m3 m4

à deux par un test t
m1 * (1) ** (2) * (3)
„ Pourquoi est-
est-ce une mauvaise idée ?
„ Prenons un exemple m2 NS (4) * (5)
„ Supposons que nous avons comparé m3 * (6)
quatre moyennes deux à deux et que
nous obtenions le tableau suivant : M4

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 43 d'expérience 44

P
lans P
lans
L’événement
„ Avoir pris au moins une décision fausse
Quelle est la probabilité „ On s’est trompé une fois et une seule
„ Ou
„ On s’est trompé deux fois
Ou
D’avoir pris au moins une „

„ On s’est trompé trois fois

décision fausse ? „ ….
„ On s’est trompé six fois

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 45 d'expérience 46

P
lans
On s’est trompé une fois
P
lans
Le début du calcul

„ (1) est fausse ET (2),(3),(4),(5),(6) „ (1) est fausse ET (2),(3),(4),(5),(6)

sont correctes sont correctes
„ Ou „ 0.05*0.99*.95^3*(1-β)
p = 0.05*0.99*.95^3*(1-
„ (2) est fausse ET (1),(3),(4),(5),(6) „ β est le manque de puissance du
sont correctes test
„ …. etc „ …

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 47 d'expérience 48

8
P
lans Contrôle du risque de P
lans

première espèce
„ Au bout du compte, la probabilité Le choix d’un test de
d’obtenir au moins une conclusion
fausse est bien supérieure au risque comparaisons multiples
nominal a = 0.05
„ Cette probabilité croît rapidement Un équilibre
avec le nombre de comparaisons
„ On dit que le test est « non
conservatif »
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 49 d'expérience 50

P
lans
Que veut-on contrôler ?
P
lans
Avantages et inconvénients

„ 1. La probabilité de conclure au moins „ Avantages : valable pour tous types

une fois à tort de comparaison multiple
„ On peut utiliser la correction de (paramétriques, non paramétriques,
Bonferroni et Sidak …)
„ Pour k comparaisons (dans l’exemple „ Inconvénients :
précédent k = p (p – 1)/2 „ Minorant de α
α „ Perte de puissance très rapide
α0 =
d'expérience k
J.S. Pierre Intro plans
51
J.S. Pierre Intro plans
d'expérience 52

P
lans Un très grand nombre de P
lans
Les critères de choix
procédures
„ Près d’une vingtaine de procédures „ Idéalement on décision
„ PPDS (LSD) de Fisher devrait choisir une
„ Studentised range de Newman-
Newman-Keuls courbe de Ho H1
„ PPAS de Tukey puissance du test
α
réalité

„ Dunett (comparaison à un témoin) „ En fonction du coût Ho correct

„ Méthode des contrastes des erreurs de

„ Méthode de Scheffé première et
seconde espèce
H1 β correct

„ Bonferroni
„ Sidak „ Conservativité vs
„ …. puissance
„ Que choisir ?J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 53 d'expérience 54

9
P
lans
Les courbes de puissance
P
lans Quelques tests bien connus
et appréciés
1−β
1.2 PPDS de Fisher,
t par paires
„ Etendue studentisée
(sans correction)
1 „ De Duncan
Tukey,
0.8 Newman-Keuls „ De Newman & Keuls
test1
test2 „ De Tukey
0.6

T corrigé de Bonferroni
test3
Série4 „
0.4 Scheffé, Contrastes,
Bonferroni, Sidak, Dunett
„ Test de Dunett
0.2
„ Comparaison à un témoin
α
∆
0
0 10 20 30 40 50 60 70
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 55 d'expérience 56

P
lans
Tests extrêmes
P
lans

„ PPDS (LSD) de Fisher

„ Puissant, non conservatif, en général 1.3 Optimisation
déconseillé
„ Test des contrastes de Scheffé
„ Absolument conservatif, très peu Comment faire un meilleur
puissant plan

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 57 d'expérience 58

P
lans P
lans Comment poser le
problème ?
Calcul du nombre de „ Il faut déterminer quatre paramètres
répétitions nécessaires „ 1. Le risque α désiré

1-β désirée
„ 2. La puissance 1-

„ 3. La différence ∆ à mettre en évidence

„ 4. La variance résiduelle du modèle σ

2

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 59 d'expérience 60

10
P
lans
La question correcte :
P
lans
Mais…

„ Sachant que j’attend une variance σ2 „ Comment avoir une idée de la variance
résiduelle σ2 ????????
„ Combien dois-
dois-je faire de répétitions
„ Plusieurs solutions
„ Pour mettre en évidence une „ Faire une préexpérience
différence d’ordre ∆ entre modalités „ Compulser la bibliographie
„ Avec une puissance β „ Chercher des données d’essais antérieurs
„ Interroger les vieux
„ Et un risque de première espèce α „ ….

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 61 d'expérience 62

P
lans
Bis repetita
P
lans
Comment fait-fait-on ?
Cadre : le test z de l’écart réduit
H0 H1
„ Avant de monter une bonne δ
expérience il est souvent
z α + zβ = δ
indispensable d’en faire une mauvaise 2
„ (on a dit la même chose de
l’échantillonnage)
„ Principe DEUSE (Deux Essais, Une β
Seule Erreur) α /2 α /2

-4 -2 0 2 4 6

zα zβ
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 63
2
d'expérience 64

P
lans
Et donc …
P
lans
Avec F
z α + zβ = δ
2 „ Le facteur est à effets fixés -> le
∆
z α + zβ = numérateur est fixé
2 σ2 On joue donc sur le dénominateur et
2 „
n on ne peut jouer que sur les degrés
de liberté du dénominateur
2σ 2 ⎛ ⎞⎟2 „ pr –p = p(r-
p(r-1)
n≥ ⎜ z + z
∆2 ⎜⎝ 2 ⎠⎟
α β⎟
„ Ne peut se faire que par itération
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 65 d'expérience 66

11
P
lans
Exemple
P
lans

„ Dans l’exemple F(4,15)=2.6 NS

„ On doit avoir n2>15 tq n2=42
P(F<=218)<=α 5(r-1)=42
R=IntSup(42/5)+1=9+1=10
„ Dans la table il faut que n2= Un effort total de 50 boîtes
Le jeu en vaut-il la chandelle ?

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 67 d'expérience 68

P
lans
Recherche de n
P
lans

> 1-pf(2.5,4,44)
[1] 0.05605998
> 1-pf(2.5,4,50)
Optimisation de l’allocation
[1] 0.05416008
> 1-pf(2.5,4,100)
[1] 0.04723924 Améliorer le contraste !
> 1-pf(2.5,4,80)
[1] 0.04896127
> 1-pf(2.5,4,70)
[1] 0.05019498
> 1-pf(2.5,4,75)
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 69 d'expérience 70
[1] 0.04953664

P
lans
Principe
P
lans
Définition

„ On dit qu’une allocation est optimale „ On appelle contraste toute

si elle minimise la variance de
l’ensemble des contrastes auxquels
on s’intéresse
„ Nous avons à définir ce que l’on
entend par contraste
J.S. Pierre Intro plans
d'expérience
combinaison linéaire de moyennes
dont la somme des coefficients est
nulle
C = a1m1 + a2m2 + ... + a p m p
a1 + a2 + ... + a p = 0
J.S. Pierre Intro plans
71 d'expérience 72

12
P
lans
Cas particulier
P
lans L’allocation dépend des
objectifs
„ Comparaison de deux moyennes „ Cas 1 : on s’intéresse de la même
manière à tous les contrastes du type
C12 = m1 − m2 mi - mj
„ Cas 2 : on s’intéresse essentiellement
„ En effet : à la comparaison à un témoin mi – m0
C12 = 1 × m1 + ( −1) × m2 „ Cas 3 : On cherche à démontrer la
linéarité d’une relation dose-
dose-effet

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 73 d'expérience 74

P
lans
Cas 1
P
lans
Quelle est la contrainte ?
„ On s’intéresse de la même façon à tous les „ On se fixe le nombre total d’unités
contrastes élémentaires
expérimentales disponibles
„ Quelle est la variance d’un contraste
élémentaire ?
(ressources)
Cij = mi − m j p

Var ( Cij ) =
σ r2
ni
+
σ r2
nj
⎛1 1⎞
= σ r2 ⎜ + ⎟
⎜ ni n j ⎟
∑n
i =1
i =N
⎝ ⎠
„ Cette variance est d’autant plus petite que
ni et nj sont grands, mais c’est trivial
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 75 d'expérience 76

P
lans
On pose le problème
P
lans Solution : on forme le
« lagrangien »
„ Trouver le minimum de ⎛ p ⎞
L ( n , n ,..., n , λ ) = n1 + n1
1 2 p + λ ⎜ ∑ ni − N ⎟
1 1
+ i j ⎝ i =1 ⎠
ni n j
„ Sous la contrainte d’égalité
p Quantité à

∑n
minimiser Multiplicateur de

i =N Lagrange

i =1 Contrainte
(quantité = 0)
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 77 d'expérience 78

13
P
lans On annule les dérivées P
lans
Conclusion :
partielles
∂L 1 „ Allocation équilibrée
=− +λ = 0 „ Optimale lorsque toutes les
∂n ni2
i comparaisons sont également
„ Soit intéressantes
1
ni =
λ

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 79 d'expérience 80

P
lans
Cas 2
P
lans
Lagrangien
p
⎛ p ⎞
„ Comparaisons à un témoin privilégiées L ( n , n ,..., n , λ ) = ∑ n1 + p
0 1 p
2 1
+ λ ⎜ ∑ ni − N ⎟
C10 = m1 − m0 i =1 i n0 ⎝ i = 0 ⎠
C20 = m2 − m0
⎡ p 1 1⎤ ∂L 1
..... Var ( C ) = σ 2 ⎢ ∑ + p 2 ⎥ =− +λ = 0
C p 0 = m p − m0 ⎣ i =1 i
n n0⎦
∂n ni2
i
p
C = ∑ mi − pm0 ∂L 1
i =1
= − p2 +λ = 0
∂n n02
0
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 81 d'expérience 82

P
lans
Solution
P
lans
Solution du cas 2

„ Charge du témoin „ Si on ne s’intéresse qu’aux

comparaisons de chaque modalité
1 ⎫ avec le témoin on doit :
ni = ; i ≠ 0⎪ Equilibrer toutes les modalités hors
λ ⎪ „

⎬ ⇒ n0 = pni témoin
p ⎪
n0 = „ Affecter autant d’unités au témoin qu’à
λ ⎪⎭ toutes les autres modalités réunies

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 83 d'expérience 84

14
P
lans
Cas 3
P
lans
Variance du contraste

Les modalités sont trois doses de ⎛1 4 1⎞

„ Var ( C ) = σ 2 ⎜ + + ⎟
fertilisant équiréparties (ex 10,20,30 ⎝ n1 n2 n3 ⎠
Unités)
„ Lagrangien :
„ On cherche à démontrer la linéarité
de la réponse à la dose
1 4 1 ⎛ 3 ⎞
L ( n1 , n2 , n3 , λ ) = + + + λ ⎜ ∑ ni − N ⎟
m1 + m3 n1 n2 n3 ⎝ i =0 ⎠
m2 = ⇔ m1 − 2m2 + m3 = 0
2
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 85 d'expérience 86

P
lans
Solution
P
lans
Solution :
1 4 1 ⎛ 3 ⎞
L ( n1 , n2 , n3 , λ ) = + + + λ ⎜ ∑ ni − N ⎟
n1 n2 n3 ⎝ i =0 ⎠ n2 = 2n1 = 2n3
∂L 1 1
=− + λ = 0 ⇒ n1 =
∂n1 2
n1 λ
∂L 4 2 „ Pour montrer la linéarité d’une
=− + λ = 0 ⇒ n2 = relation, on chargera d’avantage les
∂n2 n02 λ modalités médianes
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 87 d'expérience 88

P
lans P
lans

Les facteurs peuvent être

Plans à deux facteurs Croisés
Emboîtés (nested
(nested)) ou
hiérarchiques
Croisement, hiérarchie,
interaction, orthogonalité
Fixes ou aléatoires
Etudiés ou contrôlés
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 89 d'expérience 90

15
P
lans
a) Facteurs croisés
P
lans
Modèle croisé additif

„ a1 : modèle additif „ Deux facteurs sont dits croisés si on peut

„ Effets indépendants classifier leurs modalités dans une table à
double entrée
„ A2 : modèle interactif
„ Exemple : Sexe et altitude dans le jeu
„ Effets particulier de chaque combinaison de données anatalanta
de modalités
„ Les moyennes par ligne et par colonne de
„ A3 : modèles croisés non la table obtenue ont un sens
orthogonaux

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 91 d'expérience 92

P
lans
Ecriture du modèle (fixe)
P
lans Ecriture du modèle
(aléatoire)
„ Effets fixes „ Effets aléatoires
yij = µ + αi + β j + εij yij = µ + Ai + B j + εij

Effet « moyen » Effet du facteur 2 Effet « moyen » Effet du facteur 2

Effet du facteur 1 Aléatoire Effet du facteur 1(aléatoire) Aléatoire
erreur (aléatoire) erreur
résidu résidu

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 93 d'expérience 94

P
lans
Modèle mixte
P
lans
Votre responsabilité

„ Effets fixés et aléatoires „ Déclarer un facteur comme fixe ou

aléatoire est de votre responsabilité
yij = µ + αi + B j + εij „ Fixe : chaque modalité vous intéresse
„ Aléatoire : chaque modalité n’est pour vous
qu’une unité d’échantillonnage (grappe)
Effet « moyen » „ Exemple : choix judicieux pour anatalanta
Effet du facteur 2
„ Sexe : facteur fixé
Effet du facteur 1(aléatoire) Aléatoire
„ Altitude : facteur fixé
(fixé) erreur
„ Station : facteur
résidu
„ Fixé si chaque station est un objet d’étude
„ Aléatoire si les stations ne représentent que la
J.S. Pierre Intro plans
d'expérience 95 variabilité du terrain
J.S. Pierre Intro plans
d'expérience 96

16
P
lans
Exemple
P
lans
Exemple
Littoral Altitude > read.table("anatal
read.table("anatal..txt",h=T)
txt",h=T)-->anatal
(1) (2) > attach(
attach(anatal)
anatal)
Mâles X111 X121 > anatal$sexe<
anatal$sexe<--factor(sexe)
factor(sexe)
(1) X112 X122
> anatal$station<
anatal$station<--factor(station)
factor(station)
x113 x123
> anatal$altitude<
anatal$altitude<--factor(altitude)
factor(altitude)
Femelles X211 X221 > summary(
summary(anatal)
anatal)
(2) X212 X222 Sexe, station et altitude doivent apparaître
x213 X223 comme des facteurs
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 97 d'expérience 98

P
lans
Exemple : facteurs croisés
P
lans
Orthogonalité
> Analysis of Variance Table „ Deux facteurs croisés sont dits
orthogonaux si leurs nombres de
Response:
Response: Lo répétitions par ligne, colonne et case
sexe
Df Sum Sq Mean Sq F value
1 0.2081 0.2081 5.6279
Pr(>F)
Pr(>F)
0.01827 *
vérifient la relation suivante :
altitude 1 0.6716 0.6716 18.1650 2.675e-
2.675e-05
ni.n. j
***
nij =
Residuals 317 11.7204 0.0370
--- n..
Signif.
Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05
`.' 0.1 ` ' 1 L’équilibre est un cas particulier
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 99 d'expérience 100

P
lans Conséquence de P
lans Orthogonalité et
l’orthogonalité planification expérimentale
„ Si deux facteurs croisés sont „ On utilise couramment des plans non
orthogonaux, les sommes de carrés orthogonaux par construction
d’écart correspondants sont additifs „ Plans en blocs incomplets équilibrés
et ajustés (BIE)
„ Le type I est absolument correct pour
„ Plans en blocs incomplets partiellement
chaque facteur
équilibrés (BIPE)
„ Sinon, ils sont partiellement
„ Plans fractionnaires
confondus (confounding
(confounding)) et doivent
être analysés en type III
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 101 d'expérience 102

17
P
lans P
lans
Exemple : facteurs croisés

Interaction dans le modèle >anatal.mod1<

anatal.mod1<--lm(
lm(Lo~sexe*
Lo~sexe*alt
alt,data=
,data=anatal
anatal))
> anova(anatal.mod1,
anova(anatal.mod1,ssTypes
ssTypes=3)
=3)
croisé Analysis of Variance Table

Response:
Response: Lo
Df Sum Sq Mean Sq F value Pr(>F)
Pr(>F)
Et test de l’interaction sexe 1 0.2081 0.2081 5.6431 0.01812 *
altitude 1 0.6716 0.6716 18.2140 2.613e-
2.613e-05 ***
sexe:altitude 1 0.0684 0.0684 1.8562 0.17403
Residuals 316 11.6520 0.0369

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 103 d'expérience 104

P
lans
Modèle additif et interactif
P
lans
Ecriture

„ Modèle additif
altitude Littoral
yijk = µ + αi + β j + εijk
Littoral
† Modèle interactif
altitude

yijk = µ + αi + β j + γij + εijk

mâles femelles mâles femelles

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 105 d'expérience 106

P
lans
Ordre des interactions
P
lans
b) Facteurs hiérarchisés

„ Ordre 1 : facteurs deux à deux „ Représentation par un arbre

„ Odre 2 : facteurs trois à trois
„ … etc.
„ Notations logicielles Facteur 1
1 2 3
(hiérarchisant)
„ R : f1:f2, f1:f2:f3, f1*f2 = f1+f2+f1:f2
Facteur 2
„ SAS, minitab : f1*f2, f1*f2*f3 (hiérarchisé)
1 2 3 1 2 1 2 3

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 107 d'expérience 108

18
P
lans
Modèle hiérarchique
P
lans Exemple : modèle hiérarchique
aléatoire
„ Comment écrit-
écrit-on le modèle ?
„ A venir
yijk = µ + αi + β j ( i ) + εijk

Effet du facteur 2
(hiérarchisé)
Effet du facteur 1
(hiérarchisant)

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 109 d'expérience 110

P
lans
Autres notations
P
lans
Anatalanta

βj(i ) „

„
α : sexe
β : altitude
D : station
βj i
„
„ Aléatoire
„ Hiérarchisée sous altitude

β j <i yijkl = µ + αi + β j + Dk ( j ) + γij + Kik ( j ) + εijkl

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 111 d'expérience 112

P
lans Analyse d’un facteur P
lans

hiérarchisé
> attach(anatal)

Les plans factoriels

> mod5<-lm(Lo~sexe+altitude+station %in% altitude)
> anova(mod5)
Analysis of Variance Table

Response: Lo
Df Sum Sq Mean Sq F value Pr(>F)
sexe 1 0.2081 0.2081 7.3296 0.007158 **
altitude 1 0.6716 0.6716 23.6574 1.831e-06 ***
altitude:station 6 2.8914 0.4819 16.9750 < 2.2e-16 ***
Residuals 311 8.8290 0.0284
---
Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 113 d'expérience 114

19
P
lans Les plans factoriels P
lans Exemple de plan factoriel
complets complet
„ Un plan factoriel est dit complet si chaque „ Facteur 1 : 3 modalités, A,B,C
modalité du premier facteur est associée avec
chaque modalité du second facteur dans une unité „ Facteur 2 : 3 modalités, X,Y,Z
expérimentale
„ Facteur 3 : 2 modalités a,b
„ Généralisation : un plan factoriel à k facteurs est
dit complet si toutes les combinaisons possibles
des modalités de chaque facteur pris 2 à 2, 3 à 3, AXa AYa AZa AXb AYb AZb
k à k sont associées dans le même nombre
d’unités expérimentales BXa BYa BZa BXb BYb BZb
„ Dans le cas contraire, il est dit incomplet CXa CYa CZa CXb CYb CZb
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 115 d'expérience 116

P
lans
Caractéristiques
P
lans
Exemple
„ Orthogonal „ Le plan de la diapositive 116
„ Comporte au minimum pqr unités expérimentales „ Le plan minimal a 3 x 3 x 2 =18 unités
(p,q,r, respectivement nombre de modalités des
facteurs 1,2,3). Dans le cas général, produit du
expérimentales
nombre de modalités de chaque facteur „ Il permet d’atteindre les interactions
„ Un plan qui comporte le minimum d’unités d’ordre 1, mais pas l’interaction d’ordre 2
nécessaires est dit minimal. S’il en comporte plus, „ Les plans répétés contiennent 36,54,72…
il est dit répété . Dans ce cas il doit comporter 2
fois, 3 fois, etc…
etc… ce nombre minimal d’UE
UE
„ m étant le nombre de facteurs, on peut atteindre „ Les plans factoriels complets sont lourds et
au plus les interactions d’ordre m-2 sur un plan chers
minimal
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 117 d'expérience 118

P
lans P
lans
Plans en blocs
„ Un des facteurs est souvent un facteur dit
Cas particulier : « bloc »
„ Non étudié et « non intéressant », il sert
souvent à contrôler l’hétérogénéité du
Les plans en blocs matériel expérimental
„ Pour un petit nombre d’unités
expérimentales, on ne fait pas confiance à
la randomisation

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 119 d'expérience 120

20
P
lans Exemple de blocs P
lans
Autre exemple
„ Agronomie, écologie expérimentale : contrôle de
l’hétérogénéité du terrain
„ Randomisation par bloc „ 12 porcs
35 35
A C E D B B1
„ Très
A C E E B Randomi-

30
sation
30
E D A B C B2
hétérogènes
D D A A C

C D D E E C D A B E B3 „ 4 traitements
25 25
D C B B E D C B E A B4 A,B,C,D
D
20 C B B C Blocs D
20 C A E B B5 „ 3 blocs
E A A D B E A C D B B6
15 15

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 121 d'expérience 122

P
lans Le plan :
A D
P
lans
Analyse

C B „ Plans factoriels et plans en blocs

„ Analyse de variance orthogonale
D
„ Jugement des interactions (si
A
possibles)
„ Jugement de l’effet bloc
C B
„ (significatif de préférence)
„ Jugement de l’effet traitement
J.S. Pierre Intro plans B A D C J.S. Pierre Intro plans
d'expérience 123 d'expérience 124

P
lans
Exemple
P
lans
> m1<-lm(D12~bloc*var*ter,data=colza)
> anova(m1)
Analysis of Variance Table

Response: D12

„ Essai colza Df Sum Sq Mean Sq F value Pr(>F)

12 blocs
bloc 11 30465 2770 3.5551 8.439e-05 ***
„ var 3 39950 13317 17.0936 1.685e-10 ***

„ 3 terreaux ter 2 7720 3860 4.9545 0.007463 **

bloc:var 33 44207 1340 1.7196 0.009096 **
„ 4 variétés bloc:ter 22 20968 953 1.2234 0.222592

„ 12 pots perdus par bloc var:ter

bloc:var:ter
6
64
8186
49031
1364
766
1.7514
0.9834
0.107696
0.516420
„ Plan factoriel en blocs complets Residuals 426 331871 779

équilibrés ---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 125 d'expérience 126

21
P
lans P
lans Analyse de l’interaction
bloc-variété
> m2<-lm(D12~bloc+var+ter+bloc:var,data=colza)
> anova(m2)
Analysis of Variance Table

100
Response: D12 colza$bloc

Df Sum Sq Mean Sq F value Pr(>F) Bloc2

Bloc1

90
Bloc11
bloc 11 30465 2770 3.4986 9.715e-05 *** Bloc7

mean of colza$D12
Bloc9
var 3 39950 13317 16.8220 1.928e-10 ***

80
Bloc4
Bloc8
ter 2 7720 3860 4.8758 0.007983 ** Bloc12
Bloc10

70
bloc:var 33 44207 1340 1.6922 0.010424 * Bloc6
Bloc5
Bloc3

60
Residuals 518 410057 792
---

50
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

C F N P

J.S. Pierre Intro plans J.S. Pierre Introcolza$var

plans
d'expérience 127 d'expérience 128

P
lans
Comparaison des moyennes
P
lans

Plans factoriels incomplets

Pallier l’insuffisance des

grands blocs

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 129 d'expérience 130

P
lans P
lans
Premier exemple

A C E D B
Blocs incomplets équilibrés b
t
=5
=5
E B A C D
r =4
λ =3
C E D B A
Une première solution
D A B E C

B D C A E

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 131 d'expérience 132

22
P
lans
Cinq constantes
P
lans
Notion d’efficacité
„ b : nombre de blocs
λt
„

„
t : nombre de traitements
k : nombre de traitements par bloc E=
„ r : nombre de répétitions d’un traitement kr
„ λ : nombre de répétition d’un contraste

λ=
( t − 2 )! „ Ici (3 x 5)/(4 x 4) = 15/16 = 93.75%
( k − 2 )!( t − k )! „ Pas d’interprétation trop rapide de cet
indice !
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 133 d'expérience 134

P
lans
Sens de l’efficacité
P
lans
Construction des BIE

E=
Variance d'un contraste élémentaire dans le BIE „ Carré de Youden
Variance du même contraste dans le BCE correspondant
„ Plans irréductibles
„ Plans complémentaires
„ Théorème : Parmi tous les plans connectés
de paramètres v,b,k, un BIE, s’il existe „ Catalogues de plan (Raghavarao
(Raghavarao
maximise l’efficacité minimum 1971, Cochran 1963)
„ On n’en donnera pas la démonstration „ Logiciels : AlgDesign (Package de R)

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 135 d'expérience 136

P
lans
Exemple
P
lans
Quel plan obtenons nous
„ Construction d’un plan optimal pour les TP
„ On a 10 variétés d’Arabidopsis thaliana, on souhaite en
mettre 5 par boîte de culture „ Ce n’est pas un BIE -> un BIE avec ces
„ On utilise la fonction optBloc de AlgDesign sous R caractéristiques est impossible
> BIB<-optBlock(~.,withinData=factor(1:10),blocksizes=rep(5,10)) „ C’est un BIPE à deux classes d’association
1 2 3 4 5 6 7 8 9 10
> data.frame(BIB$Blocks) > crossprod(table(BIB$rows,c(rep(1:10, rep(5,10))))) 1 532222222 3
X1 X1.1 X1.2 X1.3 X1.4 X1.5 X1.6 X1.7 X1.8 X1.9 2 352322222 2

1 1 1 2 1 2 1 3 1 2 3 3 225232322 2
4 232522223 2
2 2 3 3 4 4 4 4 2 6 5
5 223252232 2
3 3 5 4 8 5 5 6 6 7 7 6 222225232 3
5 5 6 9 9 6 7 7 7 8 8 7 223222523 2
8 222233252 2
8 8 10 10 10 9 10 8 9 10 9
9 222322325 2
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 137 d'expérience 10 3 2 2 2 2 3 2 2 2 5 138

23
P
lans P
lans
Assouplissement des BIE
Les Plans en Blocs
„ But : diminuer encore la taille des
incomplets partiellement blocs
équilibrés „ Accepter de « sacrifier » certains
contrastes
BIPE
„ λ n’est plus uniforme
„ Il y a des classes d’association avec
une série de constantes λ, λ1,λ
1,λ2,λ
2,λ3…
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 139 d'expérience 140

P
lans
Exemples de construction
P
lans
Caractéristiques
a b a b „ b = 12
b c b c b c
c d c d „ t=8
d d a d a „ k=2
a
b e b e „ λ1 = 1 (arêtes)
c f c f
e f d h d h „ λ2 = 0 (diagonales)
a g a g
g e f e f
h
f h f h
h g h g
J.S. Pierre Intro plans
d'expérience g e 141 g e J.S. Pierre Intro plans
d'expérience 142

P
lans
Analyse
P
lans

„ BIE et BIPE Analyse de variance non

Analyse de variance non orthogonale
„
„

BIE
orthogonale
„ Comparaison des « moyennes ajustées »
„ BIPE La question des effets et
„ Comparaison des « moyennes ajustées » SCE « ajustés »
„ Par classe d’association
„ Par couples de classes d’association
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 143 d'expérience 144

24
P
lans
Problème
P
lans
Solution
35
a b „ Avantages : blocs très
b c homogènes „ Estimation des effets par les moindres
30 c d
„ Inconvénients : effets carrés non orthogonaux
d a
b e
biaisés, confusion „ On estime d’abord l’effet bloc (non ajusté)
25 c f partielle des effets blocs
et traitements „ On estime l’effet des traitements sur les
d h
Par exemple résidus du modèle précédent
a g „
20 e f „ a est vu dans les meilleurs „ Les effets et somme de carrés associés aux
f h blocs traitements sont dits ajustés
h g „ e dans des blocs
15
g e médiocres
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 145 d'expérience 146

P
lans > anova(lm(rdt~bloc+var,data=bie))
Exemple
P
lans
Analysis of Variance Table

Response: rdt

bloc
Df Sum Sq Mean Sq F value
4 861.94
Pr(>F)
215.49 162.089 1.070e-09 ***
Plans à plusieurs systèmes
var
Residuals 11
4 241.35
14.62
60.34 45.387 8.997e-07 ***
1.33 # Forme correcte pour un BIE
de blocs
> anova(lm(rdt~var+bloc,data=bie))
Analysis of Variance Table
Carrés latins et grécolatins,
grécolatins,
Response: rdt Split-
Split-plot et criss-
criss-cross
Df Sum Sq Mean Sq F value Pr(>F)
var 4 173.37 43.34 32.602 4.824e-06 *** Confounding (confusion)
bloc 4 929.93 232.48 174.874 7.100e-10 ***
Residuals 11 14.62 1.33 # Si l’on veut s’assurer du statut des blocs
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 147 d'expérience 148

P
lans
Le carré latin
P
lans
Analyse
D B A E C „ Trois facteurs :
„ Blocs horizontaux
A C D B E „ Blocs verticaux
„ Traitements
E D C A B „ Aucune interaction n’est accessible
B A E C D „ Contraignant
„ Peu puissant
C E B D A „ Usage : très forte hétérogénéité des UE,
contrôle de deux gradients
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 149 d'expérience 150

25
P
lans
Carré gréco-latin
P
lans
Analyse
Dy Bw Az Ex Cv „ Quatre facteurs
Az Cv Dw By Ex „ Blocs horizontaux
„ Blocs verticaux
Ew Dx Cv Az By „ Traitement 1
„ Traitement 2
Bx Az Ey Cv Dw „ Système orthogonal
Cv Ey Bx Dw Az „ Aucune interaction accessible
„ Très peu puissant
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 151 d'expérience 152

P
lans
Le split-plot
P
lans
Comparaison
Plan factoriel en bloc Split - plot
„ Une simplification pratique des plans factoriels
complets à deux facteurs étudiés + les blocs A B A B B A B B B A A A
„ Exemple : Sur une grande boîte de Petri carrée, on X Z Z Y X Y Y X Z X Z Y
peut étudier plusieurs mutants d’Arabidopsis B A B A B A A A A B B B
„ Mais on ne peut faire qu’un seul traitement Y X Z Y X Z Z X Y Y Z X
(témoin, ou sucre, ou sucre + herbicide) B B A B A A A A A B B B
„ Le facteur traitements doit donc être randomisé Z Y Z X X Y Z Y X Y X Z
plus grossièrement que le facteur mutant B A B A B A B B B A A A
„ Split-
Split-plot = parcelle coupée X Y Z Z Y X Z Y X Z X Y

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 153 d'expérience 154

P
lans
Analyse
P
lans
Premier niveau

„ Deux niveaux yi . k . = µ + αi + δ k + ηik

„ On traite le premier facteur comme
un bloc complet en « grandes
parcelles » second niveau
„ Le facteur « sous-
sous-bloc » ou « grande
parcelle » est aléatoire yijkl = µ + αi + β j l + γ ij l + δ k + ηik + ε ijkl

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 155 d'expérience 156

26
P
lans P
lans But : étudier de nombreux
facteurs
„ On cherche à trier l’influence de
Les plans factoriels pk nombreux facteurs
„ On s’intéresse peu à la linéarité des
effets
• Complets
„ On cherche les facteurs les plus
• Fractionnaires
importants (facteurs clés)
• Hiérarchiser les facteurs
„ On s’intéresse à des interactions
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 157 d'expérience 158

P
lans
La base : les plans 2k
P
lans
Caractéristiques
„ Exemple : le plan 23 „ Axα
Axα „ Si les modalités sont quantitatives,
„ Trois facteurs à deux „ Axβ
Axβ elles doivent être aussi contrastées
modalités „ Ayα
Ayα que possible
A,B Ayβ
Ayβ
On atteint les interactions d’ordre k-
k-1
„ „
„
„ x,y „ Bxα
Bxα
„ α,β „ Croissent géométriquement avec le
„ Bxβ
Bxβ
„ Un des facteurs peut nombre de facteurs
„ Byα
Byα
jouer le rôle de blocs „ Orthogonaux
„ Byβ
Byβ
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 159 d'expérience 160

P
lans Exemple P
lans
Exemple (suite)
> m1<-lm(rep~F1+F2+F3+F4+F1:F2+F1:F3+F1:F4+F2:F3+F2:F4+F3:F4,data=x)
> anova(m1)
Analysis of Variance Table > m2<-lm(rep~F1+F2+F3+F4+F1:F3,data=x)
> anova(m2)
Response: rep Analysis of Variance Table
Df Sum Sq Mean Sq F value Pr(>F)
F1 1 60.03 60.03 481.1913 3.655e-06 *** Response: rep
F2 1 406.89 406.89 3261.4950 3.114e-08 *** Df Sum Sq Mean Sq F value Pr(>F)
F3 1 50.64 50.64 405.9219 5.569e-06 *** F1 1 60.03 60.03 587.085 3.266e-10 ***
F4 1 9.20 9.20 73.7112 0.0003535 *** F2 1 406.89 406.89 3979.239 2.438e-14 ***
F1:F2 1 0.10 0.10 0.7975 0.4127430 F3 1 50.64 50.64 495.252 7.537e-10 ***
F1:F3 1 1.68 1.68 13.4788 0.0144231 * F4 1 9.20 9.20 89.933 2.579e-06 ***
F1:F4 1 0.01 0.01 0.0541 0.8253533 F1:F3 1 1.68 1.68 16.445 0.002304 **
F2:F3 1 0.004031 0.004031 0.0323 0.8644070 Residuals 10 1.02 0.10
F2:F4 1 0.16 0.16 1.2843 0.3085060 ---
F3:F4 1 0.13 0.13 1.0281 0.3571296 Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residuals 5 0.62 0.12 > AIC(m1,m2)
--- df AIC
m1 12 17.49315
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 m2 7 15.40103

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 161 d'expérience 162

27
P
lans
Conclusions de l’exemple
P
lans Visualisation des
interactions
„ On hiérarchise les facteurs ainsi :

14
F2 > F1 > F3 > F4 > F1:F3
x$F3

„ beta
alpha

12
„ Seuls F1 et F3 sont interactifs

mean of x$rep

10
8
A B

J.S. Pierre Intro plans J.S. Pierre Intro

x$F1plans
d'expérience 163 d'expérience 164

P
lans P
lans
Fractions de plan

„ Exemple : on souhaite étudier 3

Fractions de plans facteurs à deux modalités
„ Cela nous conduirait à un plan
factoriel 23 soit à 8 unités
Ou plans fractionnaires expérimentales
„ Nos ressources se limitent à 4
„ Nous allons faire une fraction de plan
J.S. Pierre Intro plans J.S. Pierre Intro plans
d'expérience 165 d'expérience 166

P
lans
Construction d’un 23/2
P
lans Ce plan factoriel est
incomplet
„ Considérons le plan 22 avec U F1 F2 F3 U F1 F2 F3
interaction
1 A X α 5 A X β
U F1 F2 I12 U F1 F2 F3 U F1 F2 F3
2 A Y β 6 A Y α
1 +1 +1 +1 1 +1 +1 +1 1 A X α
3 B X β 7 B X α
2 +1 -1 -1 2 +1 -1 -1 2 A Y β
4 B y α 8 B y β
3 -1 +1 -1 3 -1 +1 -1 3 B X β

4 -1 -1 +1 4 -1 -1 +1 4 B y α Partie présente Partie manquante

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 167 d'expérience 168

28
P
lans
Confusion (confounding)
P
lans
Quand les utiliser ?

„ Le facteur 3 a été confondu avec „ On utilisera les fractions de plan pour

l’interaction des facteurs 1 et 2
„ On dit également qu’il est sacrifié
„ Nous avons déjà rencontré cette
stratégie dans le Split-
Split-Plot
J.S. Pierre Intro plans
d'expérience
contrôler (comme avec des blocs) des
facteurs de variation dont l’effet est
déjà bien connu
„ Sans répétition, le troisième facteur
est confondu non seulement avec
l’interaction mais aussi avec la
résiduelle
J.S. Pierre Intro plans
169 d'expérience 170

P
lans P
lans
Principe

„ A un plan factoriel 2k, on ajoute un

Plans composites centraux point « central » éventuellement
répété.
„ Les facteurs doivent être quantitatifs
Central composite designs
„ Prenons un exemple

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 171 d'expérience 172

P
lans
Exemple
P
lans
Rationalité
„ 2 facteurs normés à -1,+1 +1
„ 1. Estimation correcte de la variance
2 modalités, A,B et x,y
„
„ Ax -1 -1
résiduelle
„ Ay -1 +1 0 „ 2. Détection de relations non linéaires
„ Bx +1 -1
(cadre des surfaces de réponse)
„ By +1 +1
„ 00 0 0
-1

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 173 d'expérience 174

29
P
lans
Références utiles
P
lans

„ Cours de l’Université de Lyon „ http://fr.wikipedia.org/wiki/Plan_d%27exp

„ http://spiral.univ
http://spiral.univ--lyon1.fr
lyon1.fr//mathsv/cours/
mathsv/cours/pdf
pdf/stat/Chapitre9.
/stat/Chapitre9.pdf
pdf %C3%A9rience#
„ Ouvrages „ (plutôt mauvais. Voir de préférence l’original
„ Dagnélie,
Dagnélie, P. 1993. Principes d’expérimentation. 2e anglais « design of experiments »)
réimpression. Les presses agronomiques de „ http://www.educnet.education.fr/rnchimie/
Gembloux. 182 p.
math/benichou/cours/plan/plan.htm
„ Cochran,
Cochran, W. G., and G. M. Cox.
Cox. 1957. Experimental
„ Bon cours mais limité aux plans factoriels et
designs. Second edition.
edition. New York : Wiley.
Wiley. 611 p.
fractionnaires (point de vue de chimiste)

J.S. Pierre Intro plans J.S. Pierre Intro plans

d'expérience 175 d'expérience 176

P
lans
Modèles compliqués
„ Croissance très rapide du nombre
d’interactions avec le nombre de facteurs
„ Plus de trois facteurs et/ou covariables
„ Le recours à la théorie des plans d’expérience
devient indispensable
„ Confusions d’effets
„ Construction de plans factoriels
„ Utilisation de plans types

J.S. Pierre Intro plans

d'expérience 177

30