Vous êtes sur la page 1sur 176

P

la

ns

Les plans dexprience


Initiation leur analyse et
leur construction
J.S. Pierre
mercredi 9 janvier 2008
J.S. Pierre Intro plans
d'exprience

la

Plan du cours

ns

Introduction
Le plan un facteur
Plans deux facteurs
Plans factoriels

Complets
Incomplets

Autres plans

Carr latin
Split-plot
J.S. Pierre Intro plans
d'exprience

la

ns

Introduction
Vocabulaire de la
planification et de
lanalyse de variance
J.S. Pierre Intro plans
d'exprience

la

Dfinition

ns

Un plan dexprience consiste en


la mise en uvre organise dun
ensemble dunits exprimentales
de manire rvler les effets de
diffrents traitements
Exemple : comparer les effets de
quatre antibiotiques sur une
souche de bactries
J.S. Pierre Intro plans
d'exprience

la

Vocabulaire

ns

Variable expliquer

Ou rponse
Ce que lon mesure
Constitu(ent) les rsultat du plan

Rsultat univari
Rsultat multivari

Variable explicative

Covariable

Variable quantitative mesure pralablement


lexprience
Non influence par le plan

Facteur

Ensemble de modalits disjointes


J.S. Pierre Intro plans
d'exprience

la

Facteurs

ns

On appelle facteur un ensemble


de traitements de mme nature
(lis par une similitude logique)
et mutuellement exclusifs
Ces diffrents traitements sont
nomms modalits ou encore
niveaux (levels)
J.S. Pierre Intro plans
d'exprience

la

exemple

ns

Essai sur les colzas, ralis en 2004 par les


tudiants de lUE. le facteur varit a
quatre modalits

Parapluie
Tanto
Darmor
Darmor Nain

Dans le mme essai, le facteur terreau a


trois modalits

Terreau de semis
Terreau de repiquage
Terreau pour plantes dintrieur
J.S. Pierre Intro plans
d'exprience

la

Units exprimentales

ns

On nomme units
exprimentales ou individus
les objets (a priori identiques) sur
lesquels on applique les
traitements

Exemple
Cas des antibiotiques : 1 unit
exprimentale = une bote de Petri
Cas des colza : 1 unit exprimentale = 1
godet perdu avec 4 graines

J.S. Pierre Intro plans


d'exprience

la

Ressources, allocation

ns

Ressources : nombre dunits


exprimentales disponible
Allocation : rpartition des
ressources parmi les modalits

Exemple : colza, allocation


quilibre

J.S. Pierre Intro plans


d'exprience

la

Analyse des plans

ns

Relve de la statistique
Dfinition

On appelle Statistique un ensemble


de techniques de mathmatiques
appliques destines extraire le
signal du bruit
Signal : ce qui est signifiant
Bruit : ce qui est insignifiant vis vis
du signal tudi (alatoire)

J.S. Pierre Intro plans


d'exprience

10

la

Deux citations

ns

Ren Thom :

Halte au hasard, silence au


bruit !

Le Dbat n3 juillet-aot 1980 ditions


Gallimard, Paris, 192p.

Ce qui limite le vrai ce nest pas


le faux mais linsignifiant

Prdire nest pas expliquer page 132

J.S. Pierre Intro plans


d'exprience

11

la

Construction des plans

ns

Relve de la Recherche
oprationnelle
Cest dire des techniques
doptimisation
Nous aurons donc la charge
doptimiser sur la base de nos
connaissances statistiques
J.S. Pierre Intro plans
d'exprience

12

la

ns

1. Le plan un facteur
Ou plan en
randomisation totale

J.S. Pierre Intro plans


d'exprience

13

la

1. Plan Un facteur

ns

1.1. Mise en uvre


1.2. Analyse

Analyse de variance
Comparaisons multiples de moyennes (tests post hoc )
Substituts ou extensions de lanalyse de variance

Anova non paramtrique


Modle linaire gnralis (dfinition)

1.3. optimisation

Dtermination du nombre de rptitions ncessaires


Allocation optimale eu gard aux objectifs du plan

J.S. Pierre Intro plans


d'exprience

14

la

1.1. Mise en oeuvre

ns

A. On dtermine lallocation

Nombre dunits exprimentales


par modalit du facteur

B. Chaque unit reoit une


modalit par tirage au sort
exhaustif

= randomisation
J.S. Pierre Intro plans
d'exprience

15

la

Exemple

ns

Quatre antibiotiques
et un tmoin

Sulbactam

Clomtocilline
Pnicilline G
Pnicilline V
Sulbactam
Tmoin

20 botes de culture
P
J.S. Pierre Intro plans
d'exprience

16

la

ns

1.2. Analyse

J.S. Pierre Intro plans


d'exprience

17

la

ns

Lanalyse de variance

J.S. Pierre Intro plans


d'exprience

18

la

Le modle statistique

ns

Quel est le modle statistique du plan


un facteur (effets fixs) ?
Yij est le rsultat mesur sur la j ime
u.e. de la i ime modalit

Yij i ij

Effet moyen

Effet de la modalit i

rsidu

On reconnat le modle de
lchantillonnage stratifi
J.S. Pierre Intro plans
d'exprience

19

la

But

ns

Rejeter lhypothse nulle :

H 0 1 2 ... i ... p 0

Absence totale deffet du facteur


Hypothses alternatives

i, i 0
J.S. Pierre Intro plans
d'exprience

20

La dcomposition des
sommes de carrs dcarts

la

ns

Considrons un cart la moyenne


des valeurs observes

yij y..

Intercalons dans cet cart la moyenne


des individus dune modalit

yij yi. yi. y..


J.S. Pierre Intro plans
d'exprience

21

la

ns

Graphiquement

Modalit 1

y..

yi. yij

y..

yij

Modalit 2
Modalit 3 (i )
J.S. Pierre Intro plans
d'exprience

22

la

ns

Elevons au carr

ij

y.. yij yi. yi. y..


2

ij
..
ij
i
.
i
.
..

2
2

yij yi. yi. y.. 2 yi. yij yi. 2 y.. yij yi.
2

J.S. Pierre Intro plans


d'exprience

23

la

Sommons

ns

Sur toutes les units


ni

y
i 1 j 1

ij

y..
2

ni

yij yi. ni yi. y..


2

i 1 j 1
p

i 1

ni

ni

2 yi. yij yi. 2 y.. yij yi.


i 1
i 1 j 1
1j 14 2 4 3
1 42 43
0

J.S. Pierre Intro plans


d'exprience

24

la

Et finalement

ns

ni

y..
i 1 j 1
1
4 4 2 4 43
2

ij

T
Somme des carrs
des carts totale

ni

yij yi. ni yi. y..


i 1 j 1
i 1
44 2 4 43
1
4 4 2 4 43 1
2

W
Somme des carrs
des carts intra

B
Somme des carrs
des carts inter

J.S. Pierre Intro plans


d'exprience

25

la

Notations commodes

ns

SCET : Somme des carrs des carts


totale
SCEB : Somme des Carrs des Ecarts Inter
(Between)

Ou factorielle

SCEW : Somme des Carrs des Ecarts


Intra (Within)

Ou rsiduelle

SCET = SCEB + SCEW

T=W+B
J.S. Pierre Intro plans
d'exprience

26

Sous Ho

la

ns

yij ij
Var ij

E SCET n 1

E SCEB p 1 2
E SCEw n p 2

J.S. Pierre Intro plans


d'exprience

Au produit par
les degrs de
libert prs
Toutes ces
sommes de
carr mesurent
la mme chose
27

la

En particulier

ns

E SCEB

SCEB
2
p 1 E

E SCEw

SCEw
2
n p E

Et donc

SCEw
SCE B
2
E

p 1
n p

Sous H0, variance inter et variance intra


sont gales enJ.S.esprance
Pierre Intro plans
d'exprience

28

la

ns

Sous H1
yij i ij
Var ij

2
R

E SCEB
E SCEw

p 1
n p

J.S. Pierre Intro plans


d'exprience

29

la

Do la statistique

ns

F de Fisher :

SCEB
F

p 1

SCEw
n p

Si F est assez grand on


dcidera que
le
facteur
a
un
effet
J.S. Pierre Intro plans
d'exprience

30

Comment est distribu F


?

la

ns

Cela dpend des hypothses sur les erreurs


Si les erreurs sont

- Distribues normalement
- Indpendantes deux deux
- Avec une esprance nulle
- Et une variance uniforme indpendante de la
modalit i

Le numrateur est distribu comme un 2 p 1


degrs de libert
Le dnominateur est distribu comme un 2 n
p degrs de libert
F est alors distribu comme une variable de
Fisher Snedecor
Intro
p plans
1 et n p degrs de
J.S. Pierre
d'exprience
31
libert

la

F est-il assez grand

ns

Pour rejeter Ho ?
On peut utiliser une table

Exemple : F =4.8, dl1 = 4, dl2 = 44

J.S. Pierre Intro plans


d'exprience

32

la

Dcision

ns

Sur la base de la table


prcdente

La valeur suprieure limite est 2.58


Le seuil de la table est = 0.05
4.8 est suprieur 2.58
On dclare leffet du facteur
significatif au seuil = 0.05
J.S. Pierre Intro plans
d'exprience

33

la

Utilisation dun logiciel

ns

Par exemple R
Problme Anatalanta
Anova directe :

Valeur de F

> attach(anatal)
> anova(lm(Lo~station %in% altitude))
Analysis of Variance Table

Probabilit exacte
dun F suprieur

Code de niveau
De significativit

Response: Lo
Df Sum Sq Mean Sq F value
Pr(>F)
station:altitude
7 3.5630 0.5090 17.573 < 2.2e-16 ***
Residuals
312 9.0371 0.0290
--Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1
>
J.S. Pierre Intro plans
d'exprience

34

Autre utilisation du
logiciel

la

ns

On cherche la probabilit exacte


dobtenir un F suprieur ou gal
4.8 avec dl1 = 4 et dl2 = 44
> pf(4.8,4,44,lower.tail=F)
[1] 0.002665292
> # vrification de la table
> pf(2.58,4,44,lower.tail=F)
[1] 0.05025123

J.S. Pierre Intro plans


d'exprience

35

Le tableau danalyse de
variance

la

ns

Source

SCE
(SSQ)
p n

y
i

Total

ij

i 1 j 1
p

Inter (B)

CM
(MS)

n-1

SCET/(n-1)

p-1

SCEB/(p-1)

yi. n-p

SCEW/(n-p)

y..

ni yi. y..
ni

y
i 1 j 1

ij

CMB/CMW

p (F>=Fobs)

i 1

Intra (W)

dl (df)

Note : R ne fournit pas la somme des carrs des carts totale.


On sait quon peut la retrouver en additionnant les autres sources
de variation
J.S. Pierre Intro plans
d'exprience

36

la

ns

Validit
Des rsultats

J.S. Pierre Intro plans


d'exprience

37

Comment contrler la
validit des rsultats ?

la

ns

Graphiques

Histogramme des rsidus


Droite de Henry des rsidus
Rsidus en fonction de lestime
Rsidus en fonction de lordre des donnes

Tests

Normalit des rsidus

Egalit des variances

Kolmogorov
Shapiro-Wilks
Bartlett

A relativiser (Anova robuste aux carts


J.S. Pierre Intro plans
aux hypothses)
d'exprience
38

Lo : rsidus en fonction de l'estime


0.4

la

0.2

ns

Exemple : Anatalanta

-0.4

-0.2

0.0

lm(Lo~station %in% altitude)->m1


plot(m1$fit,m1$res)
abline(0,0)
title("Lo : rsidus en fonction
de l'estime")

-0.6

m1$res

>
>
>
>

1.55

1.60

1.65

1.70

J.S. Pierre Intro plans


d'exprience
m1$fit

1.75

1.80

1.85

39

Lo : Histogramme des rsidus


80

0.4

20

40

> hist(m1$res,main="Lo : Histogramme des rsidus")


>
Lo (res): droite de Henry
> qqnorm(m1$res,main="Lo (res) : droite de Henry
")
> qqline(m1$res)
-0.6

-0.4

-0.2

0.0

0.2

0.2

0.4

> shapiro.test(m1$res)
0.0

m1$res

Sample Quantiles

-0.2

Shapiro-Wilk normality test


data: m1$res
W = 0.9787, p-value = 0.0001096
-0.4

Frequency

60

ns

Exemple : Anatalanta

-0.6

la

-3

J.S. Pierre Intro plans


d'exprience

-2

-1

Theoretical Quantiles

40

la

Rsum

ns

Lanalyse de variance permet de juger


leffet de tout un ensemble de
modalits
On compare une estimation de la
variance interindividuelle

A partir de la somme des carrs des carts


inter (B)
Et partir de la somme des carrs des
carts intra (W)
Par la statistique F de Fisher

Il nous resteJ.S.Pierre
comparer
les modalits
Intro plans
d'exprience

41

la

ns

Comparaisons
multiples de moyennes
Ou tests post hoc

J.S. Pierre Intro plans


d'exprience

42

la

Une mauvaise ide

ns

Comparer toutes les moyennes deux


deux par un test t
Pourquoi est-ce une mauvaise ide ?
Prenons un exemple
Supposons que nous avons compar
quatre moyennes deux deux et
que nous obtenions le tableau
suivant :
J.S. Pierre Intro plans
d'exprience

43

la

ns

Avec les codes habituels


m1
m1

m2

m3

m4

* (1)

** (2)

* (3)

NS (4)

* (5)

m2
m3

* (6)

M4
J.S. Pierre Intro plans
d'exprience

44

la

ns

Quelle est la
probabilit
Davoir pris au moins
une dcision fausse ?

J.S. Pierre Intro plans


d'exprience

45

la

Lvnement

ns

Avoir pris au moins une dcision


fausse

On sest tromp une fois et une seule


Ou
On sest tromp deux fois
Ou
On sest tromp trois fois
.
On sest tromp six fois
J.S. Pierre Intro plans
d'exprience

46

la

On sest tromp une fois

ns

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


(6) sont correctes
Ou
(2) est fausse ET (1),(3),(4),(5),
(6) sont correctes
. etc
J.S. Pierre Intro plans
d'exprience

47

la

Le dbut du calcul

ns

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


(6) sont correctes
p = 0.05*0.99*.95^3*(1-
est le manque de puissance du
test

J.S. Pierre Intro plans


d'exprience

48

Contrle du risque de
premire espce

la

ns

Au bout du compte, la probabilit


dobtenir au moins une conclusion
fausse est bien suprieure au risque
nominal a = 0.05
Cette probabilit crot rapidement
avec le nombre de comparaisons
On dit que le test est non
conservatif
J.S. Pierre Intro plans
d'exprience

49

la

ns

Le choix dun test de


comparaisons
multiples
Un quilibre

J.S. Pierre Intro plans


d'exprience

50

la

Que veut-on contrler ?

ns

1. La probabilit de conclure au
moins une fois tort
On peut utiliser la correction de
Bonferroni et Sidak
Pour k comparaisons (dans
lexemple prcdent k = p (p
1)/2

J.S. Pierre Intro plans


d'exprience

51

Avantages et
inconvnients

la

ns

Avantages : valable pour tous


types de comparaison multiple
(paramtriques, non
paramtriques, )
Inconvnients :

Minorant de
Perte de puissance trs rapide
J.S. Pierre Intro plans
d'exprience

52

Un trs grand nombre


de procdures

la

ns

Prs dune vingtaine de procdures

PPDS (LSD) de Fisher


Studentised range de Newman-Keuls
PPAS de Tukey
Dunett (comparaison un tmoin)
Mthode des contrastes
Mthode de Scheff
Bonferroni
Sidak
.

Que choisir ?
J.S. Pierre Intro plans
d'exprience

53

la

Les critres de choix

Idalement on
devrait choisir
une courbe de
puissance du test
En fonction du
cot des erreurs
de premire et
seconde espce
Conservativit vs
puissance
J.S. Pierre Intro plans
d'exprience

dcision

ralit

ns

Ho

H1

Ho

correc
t

H1

correc
t

54

Les courbes de
puissance

la

ns

1.2

PPDS de Fisher,
t par paires
(sans correction)

Tukey,
Newman-Keuls

0.8

test1
test2

0.6

test3
Srie4

Scheff, Contrastes,
Bonferroni, Sidak, Dunett

0.4

0.2

0
0

10

20

30

40

J.S. Pierre Intro plans


d'exprience

50

60

70

55

Quelques tests bien


connus et apprcis

la

ns

Etendue studentise

De Duncan
De Newman & Keuls
De Tukey

T corrig de Bonferroni
Test de Dunett

Comparaison un tmoin
J.S. Pierre Intro plans
d'exprience

56

la

Tests extrmes

ns

PPDS (LSD) de Fisher

Puissant, non conservatif, en


gnral dconseill

Test des contrastes de Scheff

Absolument conservatif, trs peu


puissant

J.S. Pierre Intro plans


d'exprience

57

la

ns

1.3 Optimisation
Comment faire un
meilleur plan

J.S. Pierre Intro plans


d'exprience

58

la

ns

Calcul du nombre de
rptitions ncessaires

J.S. Pierre Intro plans


d'exprience

59

Comment poser le
problme ?

la

ns

Il faut dterminer quatre


paramtres
1. Le risque dsir
2. La puissance 1- dsire
3. La diffrence mettre en

vidence
4. La variance rsiduelle du modle

J.S. Pierre Intro plans


d'exprience

60

la

La question correcte :

ns

Sachant que jattend une variance


Combien dois-je faire de rptitions
Pour mettre en vidence une
diffrence dordre entre modalits

Avec une puissance

Et un risque de premire espce

J.S. Pierre Intro plans


d'exprience

61

la

Mais

ns

Comment avoir une ide de la


variance rsiduelle ????????
Plusieurs solutions

Faire une prexprience


Compulser la bibliographie
Chercher des donnes dessais antrieurs
Interroger les vieux
.
J.S. Pierre Intro plans
d'exprience

62

la

Bis repetita

ns

Avant de monter une bonne


exprience il est souvent
indispensable den faire une
mauvaise
(on a dit la mme chose de
lchantillonnage)
Principe DEUSE (Deux Essais, Une
Seule Erreur)
J.S. Pierre Intro plans
d'exprience

63

Comment fait-on ?
Cadre : le test z de lcart
rduit

la

ns

H0

H1

za + zb = d
2

-4

-2

za

J.S. Pierre Intro plans


2
d'exprience

zb
64

la

Et donc

ns

za + zb = d
2

za + zb =
2

D
s2
2
n

2s

n
z
+
z
a
b
2

D 2
J.S. Pierre Intro plans
d'exprience

65

la

Avec F

ns

Le facteur est effets fixs -> le


numrateur est fix
On joue donc sur le dnominateur
et on ne peut jouer que sur les
degrs de libert du dnominateur
pr p = p(r-1)
Ne peut se faire que par itration
J.S. Pierre Intro plans
d'exprience

66

la

Exemple

ns

Dans lexemple F(4,15)=2.6 NS


On doit avoir n2>15 tq
P(F<=218)<=
Dans la table il faut que n2=

J.S. Pierre Intro plans


d'exprience

67

la

ns

n2=42
5(r-1)=42
R=IntSup(42/5)+1=9+1=10
Un effort total de 50 botes
Le jeu en vaut-il la chandelle ?

J.S. Pierre Intro plans


d'exprience

68

la

ns

Recherche de n
> 1-pf(2.5,4,44)
[1] 0.05605998
> 1-pf(2.5,4,50)
[1] 0.05416008
> 1-pf(2.5,4,100)
[1] 0.04723924
> 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
d'exprience

[1] 0.04953664

69

la

ns

Optimisation de
lallocation
Amliorer le contraste !

J.S. Pierre Intro plans


d'exprience

70

la

Principe

ns

On dit quune allocation est


optimale si elle minimise la
variance de lensemble des
contrastes auxquels on
sintresse
Nous avons dfinir ce que lon
entend par contraste
J.S. Pierre Intro plans
d'exprience

71

la

Dfinition

ns

On appelle contraste toute


combinaison linaire 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
d'exprience

72

la

Cas particulier

ns

Comparaison de deux moyennes

C12 m1 m2

En effet :

C12 1 m1 1 m2
J.S. Pierre Intro plans
d'exprience

73

Lallocation dpend des


objectifs

la

ns

Cas 1 : on sintresse de la mme


manire tous les contrastes du
type mi - mj
Cas 2 : on sintresse
essentiellement la comparaison
un tmoin mi m0
Cas 3 : On cherche dmontrer la
linarit dune relation dose-effet
J.S. Pierre Intro plans
d'exprience

74

la

Cas 1

ns

On sintresse de la mme faon tous les contrastes


lmentaires
Quelle est la variance dun contraste lmentaire ?

Cij mi m j
Var Cij

1 1
r2 r2
2

ni n j
n
n
i
j

Cette variance est dautant plus petite


que ni et nj sont grands, mais cest
J.S. Pierre Intro plans
trivial
d'exprience
75

Quelle est la
contrainte ?

la

ns

On se fixe le nombre total


dunits exprimentales
disponibles (ressources)
p

n
i 1

J.S. Pierre Intro plans


d'exprience

76

la

On pose le problme

ns

Trouver le minimum de

1 1

ni n j

Sous la contrainte dgalit


p

n
i 1

J.S. Pierre Intro plans


d'exprience

77

Solution : on forme le
lagrangien

la

ns

1 1
n1, n2 ,..., n p , n n

i
j

Quantit
minimiser

ni N

i 1

Multiplicateur de
Lagrange
Contrainte
(quantit = 0)

J.S. Pierre Intro plans


d'exprience

78

On annule les drives


partielles

la

ns

1
2 0
n
ni
i

Soit

1
ni

J.S. Pierre Intro plans


d'exprience

79

la

Conclusion :

ns

Allocation quilibre
Optimale lorsque toutes les
comparaisons sont galement
intressantes

J.S. Pierre Intro plans


d'exprience

80

la

Cas 2

ns

Comparaisons un tmoin privilgies


C10 m1 m0
C20 m2 m0

1
2 1
Var C p
n0
i 1 ni

.....
C p 0 m p m0

C mi pm0
i 1

J.S. Pierre Intro plans


d'exprience

81

la

Lagrangien

ns

1
2 1
n0 , n1,..., n p , n p n
i 1 i

0
p

ni N

i 0

1
2 0
n
ni
i

1
p 2 0
n
n0
0
2

J.S. Pierre Intro plans


d'exprience

82

la

Solution

ns

Charge du tmoin

1
ni
;

p
n0

i 0

n0 pni

J.S. Pierre Intro plans


d'exprience

83

la

Solution du cas 2

ns

Si on ne sintresse quaux
comparaisons de chaque
modalit avec le tmoin on doit :

Equilibrer toutes les modalits hors


tmoin
Affecter autant dunits au tmoin
qu toutes les autres modalits
runies
J.S. Pierre Intro plans
d'exprience

84

la

Cas 3

ns

Les modalits sont trois doses de


fertilisant quirparties (ex
10,20,30 Units)
On cherche dmontrer la
linarit de la rponse la dose
m1 m3
m2
m1 2m2 m3 0
2
J.S. Pierre Intro plans
d'exprience

85

la

Variance du contraste

ns

1 4 1
Var C

n1 n2 n3
2

Lagrangien :

1 4 1

n1 , n2 , n3 ,
n1 n2 n3

J.S. Pierre Intro plans


d'exprience

ni N

i 0

86

la

Solution

ns

1 4 1

n1 , n2 , n3 ,
n1 n2 n3

ni N

i 0

1
1
2 0 n1
n1
n1

4
2
2 0 n2
n2
n0

J.S. Pierre Intro plans


d'exprience

87

la

Solution :

ns

n2 2n1 2n3

Pour montrer la linarit dune


relation, on chargera davantage
les modalits mdianes
J.S. Pierre Intro plans
d'exprience

88

la

ns

Plans deux facteurs


Croisement, hirarchie,
interaction,
orthogonalit
J.S. Pierre Intro plans
d'exprience

89

la

ns

Les facteurs peuvent


tre
Croiss
Embots (nested) ou
hirarchiques
Fixes ou alatoires
Etudis ou contrls
J.S. Pierre Intro plans
d'exprience

90

la

a) Facteurs croiss

ns

a1 : modle additif

A2 : modle interactif

Effets indpendants
Effets particulier de chaque
combinaison de modalits

A3 : modles croiss non


orthogonaux
J.S. Pierre Intro plans
d'exprience

91

la

Modle crois additif

ns

Deux facteurs sont dits croiss si on


peut classifier leurs modalits dans
une table double entre
Exemple : Sexe et altitude dans le
jeu de donnes anatalanta
Les moyennes par ligne et par colonne
de la table obtenue ont un sens

J.S. Pierre Intro plans


d'exprience

92

Ecriture du modle
(fixe)

la

ns

Effets fixes

yij = m+ ai + bj + eij
Effet moyen

Effet du facteur 2

Effet du facteur 1

J.S. Pierre Intro plans


d'exprience

Alatoire
erreur
rsidu

93

Ecriture du modle
(alatoire)

la

ns

Effets alatoires

yij = m+ Ai + B j + eij
Effet moyen

Effet du facteur 2
Effet du facteur 1(alatoire)
Alatoire
(alatoire)
erreur
rsidu
J.S. Pierre Intro plans
d'exprience

94

la

Modle mixte

ns

Effets fixs et alatoires

yij = m+ ai + B j + eij
Effet moyen

Effet du facteur 2
Effet du facteur 1(alatoire)
Alatoire
(fix)
erreur
rsidu
J.S. Pierre Intro plans
d'exprience

95

la

Votre responsabilit

ns

Dclarer un facteur comme fixe ou alatoire


est de votre responsabilit

Fixe : chaque modalit vous intresse


Alatoire : chaque modalit nest pour vous
quune unit dchantillonnage (grappe)

Exemple : choix judicieux pour anatalanta

Sexe : facteur fix


Altitude : facteur fix
Station : facteur

Fix si chaque station est un objet dtude


Alatoire si les stations ne reprsentent que la
variabilit du terrain
J.S. Pierre Intro plans
d'exprience

96

la

Exemple

ns

Mles
(1)

Femelles
(2)

Littoral
(1)
X111

Altitude
(2)
X121

X112

X122

x113

x123

X211

X221

X212

X222

x213

X223

J.S. Pierre Intro plans


d'exprience

97

la

ns

Exemple
> read.table("anatal.txt",h=T)->anatal
> attach(anatal)
> anatal$sexe<-factor(sexe)
> anatal$station<-factor(station)
> anatal$altitude<-factor(altitude)
> summary(anatal)
Sexe, station et altitude doivent
apparatre comme des facteurs
J.S. Pierre Intro plans
d'exprience

98

la

ns

Exemple : facteurs
croiss
> Analysis of Variance Table
Response: Lo
Df Sum Sq Mean Sq F value
Pr(>F)
sexe
1 0.2081 0.2081 5.6279
0.01827 *
altitude
1 0.6716 0.6716 18.1650 2.675e-05 ***
Residuals 317 11.7204 0.0370
--Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.'
0.1 ` ' 1

J.S. Pierre Intro plans


d'exprience

99

la

Orthogonalit

ns

Deux facteurs croiss sont dits


orthogonaux si leurs nombres de
rptitions par ligne, colonne et
case vrifient la relation suivante :

ni .n.j
nij =
n..
Lquilibre est un cas particulier
J.S. Pierre Intro plans
d'exprience

100

Consquence de
lorthogonalit

la

ns

Si deux facteurs croiss sont


orthogonaux, les sommes de
carrs dcart correspondants
sont additifs et ajusts

Le type I est absolument correct


pour chaque facteur

Sinon, ils sont partiellement


confondus (confounding) et
doivent tre analyss en type III
J.S. Pierre Intro plans
d'exprience

101

Orthogonalit et
planification
exprimentale

la

ns

On utilise couramment des plans


non orthogonaux par
construction

Plans en blocs incomplets quilibrs


(BIE)
Plans en blocs incomplets
partiellement quilibrs (BIPE)
Plans fractionnaires
J.S. Pierre Intro plans
d'exprience

102

la

ns

Interaction dans le
modle crois
Et test de linteraction

J.S. Pierre Intro plans


d'exprience

103

la

ns

Exemple : facteurs
croiss
>anatal.mod1<-lm(Lo~sexe*alt,data=anatal)
> anova(anatal.mod1,ssTypes=3)
Analysis of Variance Table
Response: Lo
Df Sum Sq Mean Sq F value
Pr(>F)
sexe
1 0.2081 0.2081 5.6431
0.01812 *
altitude
1 0.6716 0.6716 18.2140 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


d'exprience

104

Modle additif et
interactif

la

ns

altitude

Littoral

Littoral
altitude

mles

femelles

mles

J.S. Pierre Intro plans


d'exprience

femelles
105

la

Ecriture

ns

Modle additif

yijk = m+ ai + bj + eijk
Modle interactif

yijk = m+ ai + bj +gij + eijk


J.S. Pierre Intro plans
d'exprience

106

la

Ordre des interactions

ns

Ordre 1 : facteurs deux deux


Odre 2 : facteurs trois trois
etc.
Notations logicielles

R : f1:f2, f1:f2:f3, f1*f2 =


f1+f2+f1:f2
SAS, minitab : f1*f2, f1*f2*f3
J.S. Pierre Intro plans
d'exprience

107

la

b) Facteurs hirarchiss

ns

Reprsentation par un arbre

Facteur 1
(hirarchisant)
Facteur 2
(hirarchis)

J.S. Pierre Intro plans


d'exprience

108

la

Modle hirarchique

ns

Comment crit-on le modle ?

yijk = m+ ai + bj ( i ) + eijk
Effet du facteur 1
(hirarchisant)
J.S. Pierre Intro plans
d'exprience

Effet du facteur 2
(hirarchis)

109

Exemple : modle
hirarchique alatoire

la

ns

A venir

J.S. Pierre Intro plans


d'exprience

110

la

ns

Autres notations

bj ( i )
bj i
bj <i
J.S. Pierre Intro plans
d'exprience

111

la

Anatalanta

ns

: sexe
: altitude
D : station
Alatoire
Hirarchise sous altitude

yijkl = m+ ai + bj + Dk ( j ) + gij + K ik ( j ) + eijkl


J.S. Pierre Intro plans
d'exprience

112

Analyse dun facteur


hirarchis

la

ns

> attach(anatal)
> mod5<-lm(Lo~sexe+altitude+station %in% altitude)
> anova(mod5)
Analysis of Variance Table
Response: Lo
Df Sum Sq Mean Sq F value
sexe

1 0.2081

0.2081

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

7.3296

Pr(>F)
0.007158 **

0.0284

--Signif. codes:

0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1


J.S. Pierre Intro plans
d'exprience

113

la

ns

Les plans factoriels

J.S. Pierre Intro plans


d'exprience

114

Les plans factoriels


complets

la

ns

Un plan factoriel est dit complet si chaque


modalit du premier facteur est associe
avec chaque modalit du second facteur
dans une unit exprimentale
Gnralisation : un plan factoriel k facteurs
est dit complet si toutes les combinaisons
possibles des modalits de chaque facteur
pris 2 2, 3 3, k k sont associes dans le
mme nombre dunits exprimentales
Dans le cas contraire, il est dit incomplet
J.S. Pierre Intro plans
d'exprience

115

Exemple de plan
factoriel complet

la

ns

Facteur 1 : 3 modalits, A,B,C


Facteur 2 : 3 modalits, X,Y,Z
Facteur 3 : 2 modalits a,b

AXa

AYa

AZa

AXb

AYb

AZb

BXa

BYa

BZa

BXb

BYb

BZb

CXa

CYa

CZa

CXb

CYb

CZb

J.S. Pierre Intro plans


d'exprience

116

la

Caractristiques

ns

Orthogonal
Comporte au minimum pqr units exprimentales
(p,q,r, respectivement nombre de modalits des
facteurs 1,2,3). Dans le cas gnral, produit du
nombre de modalits de chaque facteur
Un plan qui comporte le minimum dunits
ncessaires est dit minimal. Sil en comporte plus,
il est dit rpt . Dans ce cas il doit comporter 2
fois, 3 fois, etc ce nombre minimal dUE
m tant le nombre de facteurs, on peut atteindre
au plus les interactions dordre m-2 sur un plan
minimal
J.S. Pierre Intro plans
d'exprience

117

la

Exemple

ns

Le plan de la diapositive 116


Le plan minimal a 3 x 3 x 2 =18 units
exprimentales
Il permet datteindre les interactions
dordre 1, mais pas linteraction dordre
2
Les plans rpts contiennent
36,54,72 UE
Les plans factoriels complets sont lourds
et chers
J.S. Pierre Intro plans
d'exprience

118

la

ns

Cas particulier :
Les plans en blocs

J.S. Pierre Intro plans


d'exprience

119

la

Plans en blocs

ns

Un des facteurs est souvent un


facteur dit bloc
Non tudi et non intressant, il
sert souvent contrler
lhtrognit du matriel
exprimental
Pour un petit nombre dunits
exprimentales, on ne fait pas
confiance la randomisation
J.S. Pierre Intro plans
d'exprience

120

Exemple de blocs

la

ns

Agronomie, cologie exprimentale : contrle de


lhtrognit du terrain
Randomisation par bloc
35
A C
30
D D

35
A C

B1

30
E D

B2

C
25
D

B3

B4

D
20

B5

B6

C
25
D

D
20

E
15

Randomisation

Blocs

15
J.S. Pierre Intro plans
d'exprience

121

la

ns

Autre exemple

J.S. Pierre Intro plans


d'exprience

12 porcs
Trs
htrognes
4 traitements
A,B,C,D
3 blocs

122

la

Le plan :

ns

J.S. Pierre Intro plans


d'exprience

C
123

la

Analyse

ns

Plans factoriels et plans en blocs


Analyse de variance orthogonale
Jugement des interactions (si
possibles)
Jugement de leffet bloc

(significatif de prfrence)

Jugement de leffet traitement


J.S. Pierre Intro plans
d'exprience

124

la

Exemple

ns

Essai colza
12 blocs
3 terreaux
4 varits
12 pots perdus par bloc
Plan factoriel en blocs complets
quilibrs
J.S. Pierre Intro plans
d'exprience

125

la

ns

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

Response: D12
Df Sum Sq Mean Sq F value
bloc

11

30465

var

39950

ter

7720

3860

4.9545

0.007463 **

bloc:var

33

44207

1340

1.7196

0.009096 **

bloc:ter

22

20968

953

1.2234

0.222592

8186

1364

1.7514

0.107696

64

49031

766

0.9834

0.516420

426 331871

779

var:ter
bloc:var:ter
Residuals

2770

Pr(>F)

3.5551 8.439e-05 ***

13317 17.0936 1.685e-10 ***

--Signif. codes:

0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
J.S. Pierre Intro plans
d'exprience

126

la

ns

> m2<-lm(D12~bloc+var+ter+bloc:var,data=colza)
> anova(m2)
Analysis of Variance Table

Response: D12
Df Sum Sq Mean Sq F value
bloc

11

30465

var

39950

ter

7720

3860

4.8758

0.007983 **

33

44207

1340

1.6922

0.010424 *

Residuals 518 410057

792

bloc:var

2770

Pr(>F)

3.4986 9.715e-05 ***

13317 16.8220 1.928e-10 ***

--Signif. codes:

0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
J.S. Pierre Intro plans
d'exprience

127

Analyse de linteraction
bloc-varit

la

100

ns

colza$bloc

80
70
60
50

mean of colza$D12

90

Bloc2
Bloc1
Bloc11
Bloc7
Bloc9
Bloc4
Bloc8
Bloc12
Bloc10
Bloc6
Bloc5
Bloc3

J.S. Pierre Introcolza$var


plans
d'exprience

128

la

ns

Plans factoriels
incomplets
Pallier linsuffisance des
grands blocs

J.S. Pierre Intro plans


d'exprience

129

la

ns

Blocs incomplets
quilibrs
Une premire solution

J.S. Pierre Intro plans


d'exprience

130

la

ns

Premier exemple
A

J.S. Pierre Intro plans


d'exprience

b =5
t =5
r =4
=3

131

la

Cinq constantes

ns

b : nombre de blocs
t : nombre de traitements
k : nombre de traitements par bloc
r : nombre de rptitions dun
traitement
nombre de rptition dun
t 2 !

contraste

k 2 ! t k !

J.S. Pierre Intro plans


d'exprience

132

la

Notion defficacit

ns

t
E
kr

Ici (3 x 5)/(4 x 4) = 15/16 = 93.75%


Pas dinterprtation trop rapide de cet indice !

J.S. Pierre Intro plans


d'exprience

133

la

Sens de lefficacit

ns

Variance d'un contraste lmentaire dans le BIE


E
Variance du mme contraste dans le BCE correspondant

Thorme : Parmi tous les plans connects


de paramtres v,b,k, un BIE, sil existe
maximise lefficacit minimum
On nen donnera pas la dmonstration

J.S. Pierre Intro plans


d'exprience

134

la

Construction des BIE

ns

Carr de Youden
Plans irrductibles
Plans complmentaires
Catalogues de plan (Raghavarao
1971, Cochran 1963)
Logiciels : AlgDesign (Package de
R)
J.S. Pierre Intro plans
d'exprience

135

la

ns

Exemple

Construction dun plan optimal pour les TP


On a 10 varits dArabidopsis thaliana, on souhaite
en mettre 5 par bote de culture
On utilise la fonction optBloc de AlgDesign sous R
> BIB<optBlock(~.,withinData=factor(1:10),blocksizes=rep(5,10))
> data.frame(BIB$Blocks)
X1 X1.1 X1.2 X1.3 X1.4 X1.5 X1.6 X1.7 X1.8 X1.9
1 1

2 2

3 3

5 5

8 8 10 10 10

9J.S.10
9 10
Pierre 8
Intro plans
d'exprience

9
136

Quel plan obtenons


nous

la

ns

Ce nest pas un BIE -> un BIE avec ces


caractristiques est impossible
Cest un BIPE deux classes dassociation
1 2 3 4 5 6 7 8 9 10

> crossprod(table(BIB$rows,c(rep(1:10,
rep(5,10)))))

1 532222222 3
2 352322222 2
3 225232322 2
4 232522223 2
5 223252232 2
6 222225232 3
7 223222523 2
8 222233252 2

J.S. Pierre Intro plans


d'exprience

9 222322325 2
10 3 2 2 2 2 3 2 2 2 137
5

la

ns

Les Plans en Blocs


incomplets
partiellement
quilibrs
BIPE

J.S. Pierre Intro plans


d'exprience

138

Assouplissement des
BIE

la

ns

But : diminuer encore la taille des


blocs
Accepter de sacrifier certains
contrastes
nest plus uniforme
Il y a des classes dassociation
avec une srie de constantes ,
1,2,3
J.S. Pierre Intro plans
d'exprience

139

Exemples de
construction
a

la

ns

b
d

a
e
g

f
h
J.S. Pierre Intro plans
d'exprience

b
c
d
b
c
d
a
e
f
h
g

b
c
d
a
e
f
h
g
f
h
g
e

140

la

ns

Caractristiques
a
b
c
d
b
c
d
a
e
f
h
g

b
c
d
a
e
f
h
g
f
h
g
e

b = 12
t=8
k=2
1 = 1 (artes)
2 = 0 (diagonales)

J.S. Pierre Intro plans


d'exprience

141

la

Analyse

ns

BIE et BIPE

BIE

Analyse de variance non orthogonale


Comparaison des moyennes ajustes

BIPE

Comparaison des moyennes ajustes


Par classe dassociation
Par couples de classes dassociation
J.S. Pierre Intro plans
d'exprience

142

la

ns

Analyse de variance
non orthogonale
La question des effets
et SCE ajusts

J.S. Pierre Intro plans


d'exprience

143

la

ns

Problme
35

30

25

20

15

a
b
c
d
b
c
d
a
e
f
h
g

b
c
d
a
e
f
h
g
f
h
g
e

Avantages : blocs trs


homognes
Inconvnients : effets
biaiss, confusion
partielle des effets
blocs et traitements
Par exemple

a est vu dans les


meilleurs blocs
e dans des blocs
mdiocres

J.S. Pierre Intro plans


d'exprience

144

la

Solution

ns

Estimation des effets par les moindres


carrs non orthogonaux
On estime dabord leffet bloc (non
ajust)
On estime leffet des traitements sur
les rsidus du modle prcdent
Les effets et somme de carrs associs
aux traitements sont dits ajusts
J.S. Pierre Intro plans
d'exprience

145

la

ns

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

Response: rdt
Df Sum Sq Mean Sq F value
bloc

4 861.94

var

4 241.35

Residuals 11

14.62

Pr(>F)

215.49 162.089 1.070e-09 ***


60.34

45.387 8.997e-07 ***

1.33 # Forme correcte pour un BIE

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

Response: rdt
Df Sum Sq Mean Sq F value
var

4 173.37

bloc

4 929.93

Residuals 11

14.62

43.34

Pr(>F)

32.602 4.824e-06 ***

232.48 174.874 7.100e-10 ***


1.33 # Si lon veut sassurer du statut des blocs
J.S. Pierre Intro plans
d'exprience
146

la

ns

Plans plusieurs
systmes de blocs
Carrs latins et
grcolatins,
Split-plot et criss-cross
Confounding
J.S. Pierre
Intro plans
(confusion)
d'exprience

147

la

Le carr latin

ns

J.S. Pierre Intro plans


d'exprience

148

la

Analyse

ns

Trois facteurs :

Blocs horizontaux
Blocs verticaux
Traitements

Aucune interaction nest accessible


Contraignant
Peu puissant
Usage : trs forte htrognit des
UE, contrle de deux gradients
J.S. Pierre Intro plans
d'exprience

149

la

ns

Carr grco-latin
Dy B
Az
w
Az Cv D
w
Ew Dx Cv
Bx Az Ey

Ex Cv
By Ex

Az By
Cv D
w
Cv Ey Bx D
Az
w
J.S. Pierre Intro plans
d'exprience

150

la

Analyse

ns

Quatre facteurs

Blocs horizontaux
Blocs verticaux
Traitement 1
Traitement 2

Systme orthogonal
Aucune interaction accessible
Trs peu puissant
J.S. Pierre Intro plans
d'exprience

151

la

Le split-plot

ns

Une simplification pratique des plans factoriels


complets deux facteurs tudis + les blocs
Exemple : Sur une grande bote de Petri carre,
on peut tudier plusieurs mutants dArabidopsis
Mais on ne peut faire quun seul traitement
(tmoin, ou sucre, ou sucre + herbicide)
Le facteur traitements doit donc tre randomis
plus grossirement que le facteur mutant
Split-plot = parcelle coupe

J.S. Pierre Intro plans


d'exprience

152

la

Comparaison

ns

Split - plot

Plan factoriel en bloc

A
X

B
Z

A
Z

B
Y

B
X

A
Y

B
Y

B
X

B
Z

A
X

A
Z

A
Y

B
Y

A
X

B
Z

A
Y

B
X

A
Z

A
Z

A
X

A
Y

B
Y

B
Z

B
X

B
Z

B
Y

A
Z

B
X

A
X

A
Y

A
Z

A
Y

A
X

B
Y

B
X

B
Z

B
X

A
Y

B
Z

A
Z

B
Y

A
X

B
Z

B
Y

B
X

A
Z

A
X

A
Y

J.S. Pierre Intro plans


d'exprience

153

la

Analyse

ns

Deux niveaux
On traite le premier facteur
comme un bloc complet en
grandes parcelles
Le facteur sous-bloc ou
grande parcelle est alatoire

J.S. Pierre Intro plans


d'exprience

154

la

ns

Premier niveau
yi .k . i k ik

second niveau
yijkl i j l ij l k ik ijkl

J.S. Pierre Intro plans


d'exprience

155

la

ns

Les plans factoriels pk


Complets
Fractionnaires
Hirarchiser les
facteurs

J.S. Pierre Intro plans


d'exprience

156

But : tudier de
nombreux facteurs

la

ns

On cherche trier linfluence de


nombreux facteurs
On sintresse peu la linarit
des effets
On cherche les facteurs les plus
importants (facteurs cls)
On sintresse des interactions
J.S. Pierre Intro plans
d'exprience

157

la

La base : les plans 2k

ns

Exemple : le plan 23
Trois facteurs deux
modalits

A,B
x,y

Un des facteurs peut


jouer le rle de blocs
J.S. Pierre Intro plans
d'exprience

Ax
Ax
Ay
Ay
Bx
Bx
By
By
158

la

Caractristiques

ns

Si les modalits sont quantitatives,


elles doivent tre aussi
contrastes que possible
On atteint les interactions dordre
k-1
Croissent gomtriquement avec
le nombre de facteurs
Orthogonaux
J.S. Pierre Intro plans
d'exprience

159

Exemple

la

ns

> 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
Response: rep
Df
Sum Sq Mean Sq
F value
Pr(>F)
F1
1
60.03
60.03 481.1913 3.655e-06 ***
F2
1
406.89
406.89 3261.4950 3.114e-08 ***
F3
1
50.64
50.64 405.9219 5.569e-06 ***
F4
1
9.20
9.20
73.7112 0.0003535 ***
F1:F2
1
0.10
0.10
0.7975 0.4127430
F1:F3
1
1.68
1.68
13.4788 0.0144231 *
F1:F4
1
0.01
0.01
0.0541 0.8253533
F2:F3
1 0.004031 0.004031
0.0323 0.8644070
F2:F4
1
0.16
0.16
1.2843 0.3085060
F3:F4
1
0.13
0.13
1.0281 0.3571296
Residuals 5
0.62
0.12
--Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

J.S. Pierre Intro plans


d'exprience

160

la

ns

Exemple (suite)
> m2<-lm(rep~F1+F2+F3+F4+F1:F3,data=x)
> anova(m2)
Analysis of Variance Table
Response: rep
Df Sum Sq Mean Sq F value
Pr(>F)
F1
1 60.03
60.03 587.085 3.266e-10 ***
F2
1 406.89 406.89 3979.239 2.438e-14 ***
F3
1 50.64
50.64 495.252 7.537e-10 ***
F4
1
9.20
9.20
89.933 2.579e-06 ***
F1:F3
1
1.68
1.68
16.445 0.002304 **
Residuals 10
1.02
0.10
--Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
> AIC(m1,m2)
df
AIC
m1 12 17.49315
m2 7 15.40103

J.S. Pierre Intro plans


d'exprience

161

Conclusions de
lexemple

la

ns

On hirarchise les facteurs ainsi :


F2 > F1 > F3 > F4 > F1:F3
Seuls F1 et F3 sont interactifs

J.S. Pierre Intro plans


d'exprience

162

Visualisation des
interactions

la

14

ns

x$F3

10
8

mean of x$rep

12

beta
alpha

J.S. Pierre Intro


x$F1plans
d'exprience

163

la

ns

Fractions de plans
Ou plans fractionnaires

J.S. Pierre Intro plans


d'exprience

164

la

Fractions de plan

ns

Exemple : on souhaite tudier 3


facteurs deux modalits
Cela nous conduirait un plan
factoriel 23 soit 8 units
exprimentales
Nos ressources se limitent 4
Nous allons faire une fraction de
plan
J.S. Pierre Intro plans
d'exprience

165

la

Construction dun 23/2

ns

Considrons le plan 22 avec


interaction

F1

F2

F3

F1

F2

F3

+1 +
1

+1

+1 -1

-1

-1

-1

+
1

-1

+1

-1

-1

+1

I12

F1

+1 +
1

+1

+1 -1

-1

-1

+
1

-1

-1

F2

J.S. Pierre Intro plans


d'exprience

166

Ce plan factoriel est


incomplet

la

ns

F1

F2

F3

F1

F2

F3

Partie prsente
J.S. Pierre Intro plans
d'exprience

Partie manquante

167

la

Confusion (confounding)

ns

Le facteur 3 a t confondu
avec linteraction des facteurs 1
et 2
On dit galement quil est
sacrifi
Nous avons dj rencontr cette
stratgie dans le Split-Plot
J.S. Pierre Intro plans
d'exprience

168

la

Quand les utiliser ?

ns

On utilisera les fractions de plan


pour contrler (comme avec des
blocs) des facteurs de variation
dont leffet est dj bien connu
Sans rptition, le troisime
facteur est confondu non
seulement avec linteraction mais
aussi avec la rsiduelle
J.S. Pierre Intro plans
d'exprience

169

la

ns

Plans composites
centraux
Central composite
designs

J.S. Pierre Intro plans


d'exprience

170

la

Principe

ns

A un plan factoriel 2k, on ajoute


un point central
ventuellement rpt.
Les facteurs doivent tre
quantitatifs
Prenons un exemple

J.S. Pierre Intro plans


d'exprience

171

la

Exemple

ns

2 facteurs norms -1,+1


2 modalits, A,B et x,y

Ax
Ay
Bx
By
00

-1
-1
+1
+1
0

-1
+1
-1
+1
0

J.S. Pierre Intro plans


d'exprience

+1

-1

172

la

Rationalit

ns

1. Estimation correcte de la
variance rsiduelle
2. Dtection de relations non
linaires (cadre des surfaces de
rponse)

J.S. Pierre Intro plans


d'exprience

173

la

Rfrences utiles

ns

Cours de lUniversit de Lyon

http://spiral.univ-lyon1.fr/mathsv/cours/pdf/stat/Chapitre9.pdf

Ouvrages

Dagnlie, P. 1993. Principes


dexprimentation. 2e rimpression. Les
presses agronomiques de Gembloux. 182 p.
Cochran, W. G., and G. M.Cox. 1957.
Experimental designs. Second edition. New
York: Wiley. 611 p.
J.S. Pierre Intro plans
d'exprience

174

la

ns

http://fr.wikipedia.org/wiki/Plan_d
%27exp%C3%A9rience#

(plutt mauvais. Voir de prfrence


loriginal anglais design of
experiments)

http://www.educnet.education.fr/rnch
imie/math/benichou/cours/plan/plan.h
tm

Bon cours mais limit aux plans factoriels


et fractionnaires (point de vue de
chimiste) J.S. Pierre Intro plans
d'exprience

175

la

Modles compliqus

ns

Croissance trs rapide du nombre


dinteractions avec le nombre de
facteurs
Plus de trois facteurs et/ou covariables

Le recours la thorie des plans


dexprience devient indispensable

Confusions deffets
Construction de plans factoriels
Utilisation de plans types
J.S. Pierre Intro plans
d'exprience

176