Académique Documents
Professionnel Documents
Culture Documents
la
ns
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
la
Vocabulaire
ns
Variable expliquer
Ou rponse
Ce que lon mesure
Constitu(ent) les rsultat du plan
Rsultat univari
Rsultat multivari
Variable explicative
Covariable
Facteur
la
Facteurs
ns
la
exemple
ns
Parapluie
Tanto
Darmor
Darmor Nain
Terreau de semis
Terreau de repiquage
Terreau pour plantes dintrieur
J.S. Pierre Intro plans d'e
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
la
ns
Relve de la statistique
Dfinition
10
la
Deux citations
ns
Ren Thom :
11
la
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'e
12
la
ns
1. Le plan un facteur
Ou plan en
randomisation totale
13
la
1. Plan Un facteur
ns
Analyse de variance
Comparaisons multiples de moyennes (tests post hoc )
Substituts ou extensions de lanalyse de variance
1.3. optimisation
14
la
ns
A. On dtermine lallocation
= randomisation
J.S. Pierre Intro plans d'e
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
Yij i ij
Effet moyen
Effet de la modalit i
rsidu
On reconnat le modle de
lchantillonnage stratifi
J.S. Pierre Intro plans d'e
19
la
But
ns
H 0 1 2 ... i ... p 0
i, i 0
J.S. Pierre Intro plans d'e
20
La dcomposition des
sommes de carrs dcarts
la
ns
yij y..
21
la
ns
Graphiquement
Modalit 1
y..
yi. yij
y..
yij
Modalit 2
Modalit 3 (i )
J.S. Pierre Intro plans d'e
22
la
ns
Elevons au carr
ij
ij
..
ij
i
.
i
.
..
2
2
yij yi. yi. y.. 2 yi. yij yi. 2 y.. yij yi.
2
23
la
Sommons
ns
y
i 1 j 1
ij
y..
2
ni
i 1 j 1
p
i 1
ni
ni
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
W
Somme des carrs
des carts intra
B
Somme des carrs
des carts inter
25
la
Notations commodes
ns
Ou factorielle
Ou rsiduelle
T=W+B
J.S. Pierre Intro plans d'e
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
J.S. Pierre Intro plans d'e
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
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
30
la
ns
- Distribues normalement
- Indpendantes deux deux
- Avec une esprance nulle
- Et une variance uniforme indpendante de la
modalit i
la
ns
Pour rejeter Ho ?
On peut utiliser une table
32
la
Dcision
ns
33
la
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
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)
36
la
ns
Validit
Des rsultats
37
Comment contrler la
validit des rsultats ?
la
ns
Graphiques
Tests
Kolmogorov
Shapiro-Wilks
Bartlett
la
0.2
ns
Exemple : Anatalanta
-0.4
-0.2
0.0
-0.6
m1$res
>
>
>
>
1.55
1.60
1.65
1.70
1.75
1.80
1.85
39
0.4
20
40
-0.4
-0.2
0.0
0.2
0.2
0.4
> shapiro.test(m1$res)
0.0
m1$res
Sample Quantiles
-0.2
Frequency
60
ns
Exemple : Anatalanta
-0.6
la
-3
-2
-1
Theoretical Quantiles
40
la
Rsum
ns
41
la
ns
Comparaisons
multiples de moyennes
Ou tests post hoc
42
la
ns
43
la
ns
m2
m3
m4
* (1)
** (2)
* (3)
NS (4)
* (5)
m2
m3
* (6)
M4
J.S. Pierre Intro plans d'e
44
la
ns
Quelle est la
probabilit
Davoir pris au moins
une dcision fausse ?
45
la
Lvnement
ns
46
la
ns
47
la
Le dbut du calcul
ns
48
Contrle du risque de
premire espce
la
ns
49
la
ns
50
la
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
Minorant de
Perte de puissance trs rapide
J.S. Pierre Intro plans d'e
52
la
ns
Que choisir ?
J.S. Pierre Intro plans d'e
53
la
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'e
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
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'e
56
la
Tests extrmes
ns
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
vidence
4. La variance rsiduelle du modle
60
la
La question correcte :
ns
61
la
Mais
ns
62
la
Bis repetita
ns
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
J.S. Pierre Intro plans d'e
65
la
Avec F
ns
66
la
Exemple
ns
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)
J.S. Pierre Intro plans d'e
[1] 0.04953664
69
la
ns
Optimisation de
lallocation
Amliorer le contraste !
70
la
Principe
ns
71
la
Dfinition
ns
72
la
Cas particulier
ns
C12 m1 m2
En effet :
C12 1 m1 1 m2
J.S. Pierre Intro plans d'e
73
la
ns
74
la
Cas 1
ns
Cij mi m j
Var Cij
1 1
r2 r2
2
ni n j
n
n
i
j
Quelle est la
contrainte ?
la
ns
n
i 1
76
la
On pose le problme
ns
Trouver le minimum de
1 1
ni n j
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
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
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 :
84
la
Cas 3
ns
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
88
la
ns
89
la
ns
90
la
a) Facteurs croiss
ns
a1 : modle additif
A2 : modle interactif
Effets indpendants
Effets particulier de chaque
combinaison de modalits
91
la
ns
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
J.S. Pierre Intro plans d'e
94
la
Modle mixte
ns
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'e
95
la
Votre responsabilit
ns
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
J.S. Pierre Intro plans d'e
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
99
la
Orthogonalit
ns
ni .n.j
nij =
n..
Lquilibre est un cas particulier
J.S. Pierre Intro plans d'e
100
Consquence de
lorthogonalit
la
ns
101
Orthogonalit et
planification
exprimentale
la
ns
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)
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
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
106
la
ns
107
la
b) Facteurs hirarchiss
ns
Facteur 1
(hirarchisant)
Facteur 2
(hirarchis)
108
la
Modle hirarchique
ns
yijk = m+ ai + bj ( i ) + eijk
Effet du facteur 1
(hirarchisant)
J.S. Pierre Intro plans d'e
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
J.S. Pierre Intro plans d'e
111
la
Anatalanta
ns
: sexe
: altitude
D : station
Alatoire
Hirarchise sous altitude
112
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
altitude:station
6 2.8914
Residuals
311 8.8290
7.3296
Pr(>F)
0.007158 **
0.0284
--Signif. codes:
113
la
ns
114
la
ns
115
Exemple de plan
factoriel complet
la
ns
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
J.S. Pierre Intro plans d'e
117
la
Exemple
ns
118
la
ns
Cas particulier :
Les plans en blocs
119
la
Plans en blocs
ns
120
Exemple de blocs
la
ns
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'e
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
(significatif de prfrence)
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'e
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)
--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)
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 *
792
bloc:var
2770
Pr(>F)
--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$var
128
la
ns
Plans factoriels
incomplets
Pallier linsuffisance des
grands blocs
129
la
ns
Blocs incomplets
quilibrs
Une premire solution
130
la
ns
Premier exemple
A
b =5
t =5
r =4
=3
131
la
Cinq constantes
ns
b : nombre de blocs
t : nombre de traitements
k : nombre de traitements par bloc
r : nombre de rptitions dun
traitement
nombre de rptition dun
t 2 !
contraste
k 2 ! t k !
132
la
Notion defficacit
ns
t
E
kr
133
la
Sens de lefficacit
ns
134
la
ns
Carr de Youden
Plans irrductibles
Plans complmentaires
Catalogues de plan (Raghavarao
1971, Cochran 1963)
Logiciels : AlgDesign (Package de
R)
J.S. Pierre Intro plans d'e
135
la
ns
Exemple
2 2
3 3
5 5
8 8 10 10 10 9 10 8 9 10 9
J.S. Pierre Intro plans d'e
136
la
ns
> crossprod(table(BIB$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
138
Assouplissement des
BIE
la
ns
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
BIPE
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
144
la
Solution
ns
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)
> 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)
146
la
ns
Plans plusieurs
systmes de blocs
Carrs latins et
grcolatins,
Split-plot et criss-cross
Confounding
(confusion)
J.S. Pierre Intro plans d'exprience
147
la
Le carr latin
ns
148
la
Analyse
ns
Trois facteurs :
Blocs horizontaux
Blocs verticaux
Traitements
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'e
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'e
151
la
Le split-plot
ns
152
la
Comparaison
ns
Split - plot
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
156
But : tudier de
nombreux facteurs
la
ns
157
la
ns
Exemple : le plan 23
Trois facteurs deux
modalits
A,B
x,y
Ax
Ax
Ay
Ay
Bx
Bx
By
By
158
la
Caractristiques
ns
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
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
161
Conclusions de
lexemple
la
ns
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
165
la
ns
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
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
J.S. Pierre Intro plans d'e
168
la
ns
169
la
ns
Plans composites
centraux
Central composite
designs
170
la
Principe
ns
171
la
Exemple
ns
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
http://spiral.univ-lyon1.fr/mathsv/cours/pdf/stat/Chapitre9.pdf
Ouvrages
174
la
ns
http://fr.wikipedia.org/wiki/Plan_d
%27exp%C3%A9rience#
http://www.educnet.education.fr/rnch
imie/math/benichou/cours/plan/plan.h
tm
175
la
Modles compliqus
ns
Confusions deffets
Construction de plans factoriels
Utilisation de plans types
176