Plans Experience

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'e
la
ns
Introduction
Vocabulaire de la
planification et de
lanalyse de variance
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
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
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)
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
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
la
Ressources, allocation
ns
Ressources : nombre dunits

exprimentales disponible
Allocation : rpartition des
ressources parmi les modalits
Exemple : colza, allocation

quilibre
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)
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
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
12
la
ns
1. Le plan un facteur
Ou plan en
randomisation totale
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
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
15
la
Exemple
ns
Quatre antibiotiques
et un tmoin
Sulbactam
Clomtocilline
Pnicilline G
Pnicilline V
Sulbactam
Tmoin
20 botes de culture
P
16
la
ns
1.2. Analyse
17
la
ns
Lanalyse de variance
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
19
la
But
ns
Rejeter lhypothse nulle :
H 0 1 2 ... i ... p 0
Absence totale deffet du facteur

Hypothses alternatives
i, i 0
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..

21
la
ns
Graphiquement
Modalit 1
y..
yi. yij
y..
yij
Modalit 2
Modalit 3 (i )
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
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
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
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
26
Sous Ho
la
ns
yij ij
Var ij
Au produit par
E SCET n 1
les degrs de
libert prs
E SCEB p 1 2
Toutes ces
E SCEw n p 2
sommes de
carr mesurent
la mme chose
27
2
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 en esprance
28
la
ns
Sous H1
yij i ij
Var ij
2
R
E SCEB
E SCEw
p 1
n p
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
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 p 1 et n p degrs de
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
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
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
>
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
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
36
la
ns
Validit
Des rsultats
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

aux hypothses)
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$res
>
>
>
>
1.55
1.60
1.65
1.70
1.75
J.S. Pierre Introm1$fit

plans d'e
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
-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 reste comparer les modalits

41
la
ns
Comparaisons
multiples de moyennes
Ou tests post hoc
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 :
43
la
ns
Avec les codes habituels

m1
m1
m2
m3
m4
* (1)
** (2)
* (3)
NS (4)
* (5)
m2
m3
* (6)
M4
44
la
ns
Quelle est la
probabilit
Davoir pris au moins
une dcision fausse ?
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
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
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
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
49
la
ns
Le choix dun test de

comparaisons multiples
Un quilibre
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
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
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 ?
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
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
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
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
57
la
ns
1.3 Optimisation
Comment faire un
meilleur plan
58
la
ns
Calcul du nombre de
rptitions ncessaires
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
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
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
.
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)
63
Comment fait-on ?
Cadre : le test z de lcart
rduit
la
ns
H0
H1
za + zb = d
2
-4
-2
za
zb
2
J.S. Pierre Intro plans
d'e
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
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
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=
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 ?
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)
[1] 0.04953664
69
la
ns
Optimisation de
lallocation
Amliorer le contraste !
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
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
72
la
Cas particulier
ns
Comparaison de deux moyennes
C12 m1 m2
En effet :
C12 1 m1 1 m2
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
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
trivial J.S. Pierre Intro plans d'e
75
Quelle est la
contrainte ?
la
ns
On se fixe le nombre total

dunits exprimentales
disponibles (ressources)
p
n
i 1
76
la
On pose le problme
ns
Trouver le minimum de
1 1
ni n j
Sous la contrainte dgalit

p
n
i 1
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)
78
On annule les drives

partielles
la
ns
1
2 0
n
ni
i
Soit
1
ni
79
la
Conclusion :
ns
Allocation quilibre
Optimale lorsque toutes les
comparaisons sont galement
intressantes
80
la
Cas 2
ns
Comparaisons un tmoin privilgies

C10 m1 m0
C20 m2 m0
.....
C p 0 m p m0
1
2 1
Var C p
n0
i 1 ni
p
C mi pm0
i 1
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
82
la
Solution
ns
Charge du tmoin
1
ni
;
p
n0
i 0
n0 pni
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
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
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
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
87
la
Solution :
ns
n2 2n1 2n3
Pour montrer la linarit dune

relation, on chargera davantage
les modalits mdianes
88
la
ns
Plans deux facteurs

Croisement, hirarchie,
interaction,
orthogonalit
89
la
ns
Les facteurs peuvent

tre
Croiss
Embots (nested) ou
hirarchiques
Fixes ou alatoires
Etudis ou contrls
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
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
92
Ecriture du modle
(fixe)
la
ns
Effets fixes
yij = m+ ai + bj + eij
Effet moyen
Effet du facteur 2
Effet du facteur 1
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
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
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
96
la
Exemple
ns
Mles
(1)
Femelles
(2)
Littoral
(1)
X111
Altitude
(2)
X121
X112
X122
x113
x123
X211
X221
X212
X222
x213
X223
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
98
la
ns
Exemple : facteurs
croiss
> Analysis of Variance Table
Response: Lo
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
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
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
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
102
la
ns
Interaction dans le
modle crois
Et test de linteraction
103
la
ns
Exemple : facteurs
croiss
>anatal.mod1<-lm(Lo~sexe*alt,data=anatal)
> anova(anatal.mod1,ssTypes=3)
Response: Lo
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
104
Modle additif et
interactif
la
ns
altitude
Littoral
Littoral
altitude
mles
femelles
mles
femelles
105
la
Ecriture
ns
Modle additif
yijk = m+ ai + bj + eijk
Modle interactif
yijk = m+ ai + bj +gij + eijk

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
107
la
b) Facteurs hirarchiss
ns
Reprsentation par un arbre
Facteur 1
(hirarchisant)
Facteur 2
(hirarchis)
108
la
Modle hirarchique
ns
Comment crit-on le modle ?
yijk = m+ ai + bj ( i ) + eijk
Effet du facteur 1
(hirarchisant)
Effet du facteur 2
(hirarchis)
109
Exemple : modle
hirarchique alatoire
la
ns
A venir
110
la
ns
Autres notations
bj ( i )
bj i
bj <i
111
la
Anatalanta
ns
: sexe
: altitude
D : station
Alatoire
Hirarchise sous altitude
yijkl = m+ ai + bj + Dk ( j ) + gij + K ik ( j ) + eijkl
112
Analyse dun facteur

hirarchis
la
ns
> attach(anatal)
> mod5<-lm(Lo~sexe+altitude+station %in% altitude)
> anova(mod5)
Response: Lo
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
113
la
ns
Les plans factoriels
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
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
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
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
118
la
ns
Cas particulier :
Les plans en blocs
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
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
121
la
ns
Autre exemple
12 porcs
Trs
htrognes
4 traitements
A,B,C,D
3 blocs
122
la
ns
Le plan :
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

124
la
Exemple
ns
Essai colza
12 blocs
3 terreaux
4 varits
12 pots perdus par bloc
Plan factoriel en blocs complets
quilibrs
125
la
ns
> m1<-lm(D12~bloc*var*ter,data=colza)
> anova(m1)
Response: D12
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
126
la
ns
> m2<-lm(D12~bloc+var+ter+bloc:var,data=colza)
> anova(m2)
Response: D12
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
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
N
colza$var
128
la
ns
Plans factoriels
incomplets
Pallier linsuffisance des
grands blocs
129
la
ns
Blocs incomplets
quilibrs
Une premire solution
130
la
ns
Premier exemple
A
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 !
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 !
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
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)
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 9 10 8 9 10 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
9 222322325 2
10 3 2 2 2 2 3 2 2 2137
5
la
ns
Les Plans en Blocs

incomplets
partiellement
quilibrs
BIPE
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
139
Exemples de
construction
a
la
ns
b
d
a
e
g
f
h
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)
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
142
la
ns
Analyse de variance
non orthogonale
La question des effets
et SCE ajusts
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
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
145
la
ns
Exemple
> anova(lm(rdt~bloc+var,data=bie))
Response: rdt
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))
Response: rdt
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
146
la
ns
Plans plusieurs
systmes de blocs
Carrs latins et
grcolatins,
Split-plot et criss-cross
Confounding
(confusion)
147
la
Le carr latin
ns
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
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
150
la
Analyse
ns
Quatre facteurs
Blocs horizontaux
Blocs verticaux
Traitement 1
Traitement 2
Systme orthogonal
Aucune interaction accessible
Trs peu puissant
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
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
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
154
la
ns
Premier niveau
yi .k . i k ik
second niveau
yijkl i j l ij l k ik ijkl
155
la
ns
Les plans factoriels pk

Complets
Fractionnaires
Hirarchiser les
facteurs
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
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
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
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)
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
160
la
ns
Exemple (suite)
> m2<-lm(rep~F1+F2+F3+F4+F1:F3,data=x)
> anova(m2)
Response: rep
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
161
Conclusions de
lexemple
la
ns
On hirarchise les facteurs ainsi :

F2 > F1 > F3 > F4 > F1:F3
Seuls F1 et F3 sont interactifs
162
Visualisation des
interactions
la
14
ns
x$F3
10
8
mean of x$rep
12
beta
alpha
B
x$F1
163
la
ns
Fractions de plans
Ou plans fractionnaires
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
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
166
Ce plan factoriel est

incomplet
la
ns
F1
F2
F3
F1
F2
F3
Partie prsente
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
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
169
la
ns
Plans composites
centraux
Central composite
designs
170
la
Principe
ns
A un plan factoriel 2k, on ajoute

un point central
ventuellement rpt.
Les facteurs doivent tre
quantitatifs
Prenons un exemple
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
+1
-1
172
la
Rationalit
ns
1. Estimation correcte de la
variance rsiduelle
2. Dtection de relations non
linaires (cadre des surfaces de
rponse)
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.
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)
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
176

Plans Experience

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Plans Experience

Transféré par

Droits d'auteur :

Formats disponibles

P

Les plans dexprience

J.S. Pierre Intro plans d'exprience

Un plan dexprience consiste en

Variable quantitative mesure pralablement

Ensemble de modalits disjointes

J.S. Pierre Intro plans d'e

On appelle facteur un ensemble

Essai sur les colzas, ralis en 2004 par les

Dans le mme essai, le facteur terreau a

J.S. Pierre Intro plans d'e

Ressources : nombre dunits

Exemple : colza, allocation

J.S. Pierre Intro plans d'e

Analyse des plans

On appelle Statistique un ensemble

J.S. Pierre Intro plans d'e

Halte au hasard, silence au

Le Dbat n3 juillet-aot 1980 ditions

Ce qui limite le vrai ce nest pas

Prdire nest pas expliquer page 132

J.S. Pierre Intro plans d'e

Construction des plans

J.S. Pierre Intro plans d'exprience

1.1. Mise en uvre

Anova non paramtrique

Dtermination du nombre de rptitions ncessaires

J.S. Pierre Intro plans d'e

1.1. Mise en oeuvre

Nombre dunits exprimentales

B. Chaque unit reoit une

J.S. Pierre Intro plans d'e

J.S. Pierre Intro plans d'exprience

J.S. Pierre Intro plans d'exprience

Quel est le modle statistique du plan

Rejeter lhypothse nulle :

Absence totale deffet du facteur

Considrons un cart la moyenne

Intercalons dans cet cart la moyenne

yij yi. yi. y..

y.. yij yi. yi. y..

J.S. Pierre Intro plans d'e

Sur toutes les units

yij yi. ni yi. y..

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

J.S. Pierre Intro plans d'e

yij yi. ni yi. y..

J.S. Pierre Intro plans d'e

SCET : Somme des carrs des carts

SCEW : Somme des Carrs des Ecarts

SCET = SCEB + SCEW

Sous H0, variance inter et variance intra

J.S. Pierre Intro plans d'e

Si F est assez grand on

Comment est distribu F

Cela dpend des hypothses sur les erreurs

Le numrateur est distribu comme un 2 p 1

F est-il assez grand

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

J.S. Pierre Intro plans d'e

Sur la base de la table

La valeur suprieure limite est 2.58

Utilisation dun logiciel

J.S. Pierre Intro plans d'e