P

lans

Les plans d’expérience

Initiation à leur analyse et à

leur construction
J.S. Pierre

mercredi 9 janvier 2008

J.S. Pierre Intro plans

d'expérience 1
P
lans
Plan du cours
„ Introduction
„ Le plan à un facteur
„ Plans à deux facteurs
„ Plans factoriels
„ Complets
„ Incomplets
„ Autres plans
„ Carré latin
„ Split-plot
J.S. Pierre Intro plans
d'expérience 2
P
lans

Introduction

Vocabulaire de la
planification et de l’analyse
de variance

J.S. Pierre Intro plans

d'expérience 3
P
lans
Définition

„ Un plan d’expérience consiste en la

mise en œuvre organisée d’un
ensemble d’unités expérimentales de
manière à révéler les effets de
différents traitements
„ Exemple : comparer les effets de
quatre antibiotiques sur une souche
de bactéries
J.S. Pierre Intro plans
d'expérience 4
P
lans
Vocabulaire
„ Variable à expliquer
„ Ou réponse
„ Ce que l’on mesure
„ Constitu(ent) les résultat du plan
„ Résultat univarié
„ Résultat multivarié
„ Variable explicative
„ Covariable
„ Variable quantitative mesurée préalablement à l’expérience
„ Non influencée par le plan
„ Facteur
„ Ensemble de modalités disjointes

J.S. Pierre Intro plans

d'expérience 5
P
lans
Facteurs

„ On appelle facteur un ensemble de

traitements de « même nature » (liés
par une similitude logique) et
mutuellement exclusifs
„ Ces différents traitements sont
nommés modalités ou encore niveaux
(levels)

J.S. Pierre Intro plans

d'expérience 6
P
lans
exemple
„ Essai sur les colzas, réalisé en 2004 par les
étudiants de l’UE. le facteur « variété » a quatre
modalités
„ Parapluie
„ Tanto
„ Darmor
„ Darmor Nain
„ Dans le même essai, le facteur « terreau » a trois
modalités
„ Terreau de semis
„ Terreau de repiquage
„ Terreau pour plantes d’intérieur

J.S. Pierre Intro plans

d'expérience 7
P
lans
Unités expérimentales
„ On nomme « unités expérimentales »
ou « individus » les objets (a priori
identiques) sur lesquels on applique
les traitements
„ Exemple
„ Cas des antibiotiques : 1 unité expérimentale
= une boîte de Petri
„ Cas des colza : 1 unité expérimentale = 1
godet perdu avec 4 graines

J.S. Pierre Intro plans

d'expérience 8
P
lans
Ressources, allocation

„ Ressources : nombre d’unités

expérimentales disponible
„ Allocation : répartition des ressources
parmi les modalités
„ Exemple : colza, allocation équilibrée

J.S. Pierre Intro plans

d'expérience 9
P
lans
Analyse des plans
„ Relève de la statistique
„ Définition
„ On appelle Statistique un ensemble de
techniques de mathématiques
appliquées destinées à extraire le signal
du bruit
„ Signal : ce qui est signifiant
„ Bruit : ce qui est insignifiant vis à vis du
signal étudié (aléatoire)

J.S. Pierre Intro plans

d'expérience 10
P
lans
Deux citations

„ René Thom :
„ « Halte au hasard, silence au bruit ! »
„ Le Débat n°3 juillet-août 1980 éditions
Gallimard, Paris, 192p.
„ « Ce qui limite le vrai ce n’est pas le faux
mais l’insignifiant »
„ Prédire n’est pas expliquer page 132

J.S. Pierre Intro plans

d'expérience 11
P
lans
Construction des plans

„ Relève de la Recherche opérationnelle

„ C’est à dire des techniques
d’optimisation
„ Nous aurons donc la charge
d’optimiser sur la base de nos
connaissances statistiques

J.S. Pierre Intro plans

d'expérience 12
P
lans

1. Le plan à un facteur

Ou plan en randomisation
totale

J.S. Pierre Intro plans

d'expérience 13
P
lans
1. Plan à Un facteur
„ 1.1. Mise en œuvre
„ 1.2. Analyse
„ Analyse de variance
„ Comparaisons multiples de moyennes (tests « post hoc »)
„ Substituts à ou extensions de l’analyse de variance
„ Anova non paramétrique
„ Modèle linéaire généralisé (définition)
„ 1.3. optimisation
„ Détermination du nombre de répétitions nécessaires
„ Allocation optimale eu égard aux objectifs du plan

J.S. Pierre Intro plans

d'expérience 14
P
lans
1.1. Mise en oeuvre

„ A. On détermine l’allocation
„ Nombre d’unités expérimentales par
modalité du facteur
„ B. Chaque unité reçoit une modalité
par tirage au sort exhaustif
„ = randomisation

J.S. Pierre Intro plans

d'expérience 15
P lans
Exemple
„ Quatre antibiotiques
et un témoin
„ Clométocilline
Sulbactam „ Pénicilline G
„ Pénicilline V
„ Sulbactam
„ Témoin

„ 20 boîtes de culture
„ P

J.S. Pierre Intro plans

d'expérience 16
P
lans

1.2. Analyse

J.S. Pierre Intro plans

d'expérience 17
P
lans

L’analyse de variance

J.S. Pierre Intro plans

d'expérience 18
P
lans
Le modèle statistique
„ Quel est le modèle statistique du plan à un
facteur (effets fixés) ?
„ Yij est le résultat mesuré sur la j ième u.e. de
la i ième modalité

Yij = µ + α i + ε ij
Effet moyen résidu
Effet de la modalité i

„ On reconnaît le modèle de
l’échantillonnage stratifié
J.S. Pierre Intro plans
d'expérience 19
P
lans
But

„ Rejeter l’hypothèse nulle :

H 0 ⇔ α1 = α 2 = ... = α i = ...α p = 0
„ Absence totale d’effet du facteur
„ Hypothèses alternatives

∃i , α i ≠ 0
J.S. Pierre Intro plans
d'expérience 20
P
lans La décomposition des sommes
de carrés d’écarts
„ Considérons un écart à la moyenne des
valeurs observées

yij − y..
„ Intercalons dans cet écart la moyenne des
individus d’une modalité
yij − yi. + yi. − y..
J.S. Pierre Intro plans
d'expérience 21
P
lans
Graphiquement

y.. yi. yij

Modalité 1
y.. yij
Modalité 2

Modalité 3 (i )

J.S. Pierre Intro plans

d'expérience 22
P
lans
Elevons au carré

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

2 2
ij

(y ) ( ) ( )
2
⎡ ⎤
2
ij − y.. = ⎣ ijy − yi. + yi. − y.. ⎦

= ( yij − yi. ) + ( yi. − y.. ) + 2 yi. ( yij − yi. ) − 2 y.. ( yij − yi. )
2 2

J.S. Pierre Intro plans

d'expérience 23
P
lans
Sommons

„ Sur toutes les unités

ni

∑∑ ( y − y.. ) =
p
2
ij
i =1 j =1

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

i =1 j =1 i =1

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

i =1 j =1 i =1 j =1
 
 

=0 J.S. Pierre Intro plans =0

d'expérience 24
P
lans
Et finalement
ni

∑∑ ( y − y.. ) =
p
2
ij
i =1 j =1
 

T
Somme des carrés
des écarts totale

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

i =1 j =1
 
 i =1
 

W B
Somme des carrés Somme des carrés
des écarts intra des écarts inter

J.S. Pierre Intro plans

d'expérience 25
P
lans
Notations commodes
„ SCET : Somme des carrés des écarts totale
„ SCEB : Somme des Carrés des Ecarts Inter
(Between)
„ Ou factorielle
„ SCEW : Somme des Carrés des Ecarts Intra
(Within)
„ Ou résiduelle
„ SCET = SCEB + SCEW
„ T = W + B

J.S. Pierre Intro plans

d'expérience 26
P
lans
Sous Ho
yij = µ + ε ij
Var ( ε ij ) = σ 2

E ( SCET ) = ( n − 1)σ 2 „ Au produit par

les « degrés de
E ( SCEB ) = ( p − 1)σ 2 liberté » près
„ Toutes ces
E ( SCEw ) = ( n − p )σ 2
sommes de
carré mesurent
J.S. Pierre Intro plans
d'expérience la même chose27
P
lans
En particulier
⎛ SCEB ⎞
E ( SCEB ) = ( p − 1)σ ⇒ E ⎜
2
⎟ = σ 2

⎝ p − 1 ⎠

⎛ SCEw ⎞
E ( SCEw ) = ( n − p )σ ⇒ E ⎜
2
⎟ = σ 2

⎝ n − p ⎠
⎛ SCEw ⎞ ⎛ SCEB ⎞
Et donc E⎜ ⎟ = E ⎜ p −1 ⎟ = σ 2

⎝ n − p ⎠ ⎝ ⎠

„ Sous H0, « variance » inter et « variance » intra

sont égales enJ.S.
espérance
Pierre Intro plans
d'expérience 28
P
lans
Sous H1
yij = µ + α i + ε ij

Var ( ε ij ) = σ 2
R

E ( SCEB ) E ( SCEw )
>>
( p − 1) (n − p)

J.S. Pierre Intro plans

d'expérience 29
P
lans
D’où la statistique

„ F de Fisher :
SCEB
( p −1)
F=
SCEw
( n− p )
„ Si F est « assez grand » on décidera
que le facteur a un effet
J.S. Pierre Intro plans
d'expérience 30
P
lans
Comment est distribué F ?
„ Cela dépend des hypothèses sur les erreurs
„ Si les erreurs sont
„ - Distribuées normalement
„ - Indépendantes deux à deux
„ - Avec une espérance nulle
„ - Et une variance uniforme σ2 indépendante de la
modalité i
„ Le numérateur est distribué comme un χ2 à p – 1
degrés de liberté
„ Le dénominateur est distribué comme un χ2 à n – p
degrés de liberté
„ F est alors distribué comme une variable de Fisher –
Snedecor à p –J.S.1 d'expérience
et nIntro
Pierre –p degrés de liberté
plans
31
P
lans
F est-il assez grand
„ Pour rejeter Ho ?
„ On peut utiliser une table
„ Exemple : F =4.8, dl1 = 4, dl2 = 44

J.S. Pierre Intro plans

d'expérience 32
P
lans
Décision

„ Sur la base de la table précédente

„ La valeur supérieure limite est 2.58
„ Le seuil de la table est α = 0.05

„ 4.8 est supérieur à 2.58

„ On déclare l’effet du facteur significatif

au seuil α = 0.05

J.S. Pierre Intro plans

d'expérience 33
P
lans
Utilisation d’un logiciel
Valeur de F
„ Par exemple R
„ Problème Anatalanta Probabilité exacte
d’un F supérieur
„ Anova directe :
> attach(anatal)
> anova(lm(Lo~station %in% altitude)) Code de niveau
Analysis of Variance Table De significativité
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'expérience 34
P
lans
Autre utilisation du logiciel
„On cherche la probabilité exacte
d’obtenir un F supérieur ou égal à 4.8
avec dl1 = 4 et dl2 = 44
> pf(4.8,4,44,lower.tail=F)
[1] 0.002665292
> # vérification de la table
> pf(2.58,4,44,lower.tail=F)
[1] 0.05025123
J.S. Pierre Intro plans
d'expérience 35
P
lans Le tableau d’analyse de
variance
Source SCE (SSQ) dl (df
(df))
CM (MS) F p
ni 2

∑∑ ( y − y..) n-1
p

Total ij SCET/(n-1)
i =1 j =1

∑ ni ( yi. − y..)
2
Inter (B) p-1 SCEB/(p-1) CMB/CMW p (F>=Fobs
(F>=Fobs))
i =1
ni 2

∑∑ ( y − yi. )
p

Intra (W) ij n -p SCEW/(n-p)

i =1 j =1

Note : R ne fournit pas la somme des carrés des écarts totale.

On sait qu’on peut la retrouver en additionnant les autres sources
de variation
J.S. Pierre Intro plans
d'expérience 36
P
lans

Validité

Des résultats

J.S. Pierre Intro plans

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

lans
Exemple : Anatalanta
> 0.4
0.2
lm(Lo~station %in% altitude)->m1
> plot(m1$fit,m1$res)
0.0
m1$res

> abline(0,0)
> title("Lo : résidus en fonction
-0.2

de l'estimée")
-0.4
-0.6

1.55 1.60 1.65 1.70 1.75 1.80 1.85

J.S. Pierre Intro plans
d'expérience
m1$fit 39
P
lans
Lo : Histogramme des résidus

Exemple : Anatalanta
80
60
Frequency

40

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

>
20

Lo (res): droite de Henry

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

0.4
0

> qqline(m1$res)

0.2
-0.6 -0.4 -0.2 0.0 0.2 0.4

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

Sample Quantiles

0.0
Shapiro-Wilk normality test

-0.2
data: m1$res
-0.4
W = 0.9787, p-value = 0.0001096 -0.6

-3 -2 -1 0 1 2 3

J.S. Pierre Intro plans Theoretical Quantiles

d'expérience 40
P
lans
Résumé
„ L’analyse de variance permet de juger
l’effet de tout un ensemble de modalités
„ On compare une estimation de la variance
interindividuelle
„ A partir de la somme des carrés des écarts inter
(B)
„ Et à partir de la somme des carrés des écarts
intra (W)
„ Par la statistique F de Fisher
„ Il nous reste à comparer les modalités
J.S. Pierre Intro plans
d'expérience 41
P
lans

Comparaisons multiples de
moyennes

Ou « tests post hoc »

J.S. Pierre Intro plans

d'expérience 42
P
lans
Une mauvaise idée

„ Comparer toutes les moyennes deux

à deux par un test t
„ Pourquoi est-ce une mauvaise idée ?
„ Prenons un exemple
„ Supposons que nous avons comparé
quatre moyennes deux à deux et que
nous obtenions le tableau suivant :
J.S. Pierre Intro plans
d'expérience 43
P
lans
Avec les codes habituels
m1 m2 m3 m4

m1 * (1) ** (2) * (3)

m2 NS (4) * (5)

m3 * (6)

M4

J.S. Pierre Intro plans

d'expérience 44
P
lans

Quelle est la probabilité

D’avoir pris au moins une

décision fausse ?

J.S. Pierre Intro plans

d'expérience 45
P
lans
L’événement
„ Avoir pris au moins une décision fausse
„ On s’est trompé une fois et une seule
„ Ou
„ On s’est trompé deux fois
„ Ou
„ On s’est trompé trois fois
„ ….
„ On s’est trompé six fois

J.S. Pierre Intro plans

d'expérience 46
P
lans
On s’est trompé une fois

„ (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'expérience 47
P
lans
Le début du calcul

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

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

J.S. Pierre Intro plans

d'expérience 48
P
lans Contrôle du risque de
première espèce
„ Au bout du compte, la probabilité
d’obtenir au moins une conclusion
fausse est bien supérieure au risque
nominal a = 0.05
„ Cette probabilité croît rapidement
avec le nombre de comparaisons
„ On dit que le test est « non
conservatif »
J.S. Pierre Intro plans
d'expérience 49
P
lans

Le choix d’un test de

comparaisons multiples

Un équilibre

J.S. Pierre Intro plans

d'expérience 50
P
lans
Que veut-on contrôler ?

„ 1. La probabilité de conclure au moins

une fois à tort
„ On peut utiliser la correction de
Bonferroni et Sidak
„ Pour k comparaisons (dans l’exemple
précédent k = p (p – 1)/2
α
α0 =
d'expérience k
J.S. Pierre Intro plans
51
P
lans
Avantages et inconvénients

„ Avantages : valable pour tous types

de comparaison multiple
(paramétriques, non paramétriques,
…)
„ Inconvénients :
„ Minorant de α
„ Perte de puissance très rapide

J.S. Pierre Intro plans

d'expérience 52
P
lans Un très grand nombre de
procédures
„ Près d’une vingtaine de procédures
„ PPDS (LSD) de Fisher
„ Studentised range de Newman-Keuls
„ PPAS de Tukey
„ Dunett (comparaison à un témoin)
„ Méthode des contrastes
„ Méthode de Scheffé
„ Bonferroni
„ Sidak
„ ….
„ Que choisir ?J.S. Pierre Intro plans
d'expérience 53
P
lans
Les critères de choix
„ Idéalement on décision
devrait choisir une
courbe de Ho H1
puissance du test
α

réalité
„ En fonction du coût Ho correct

des erreurs de
première et
seconde espèce
H1 β correct

„ Conservativité vs
puissance
J.S. Pierre Intro plans
d'expérience 54
P
lans
Les courbes de puissance

1−β 1.2

PPDS de Fisher
1

0.8

Tukey test1
test2
0.6
test3
Scheffé alpha
0.4

0.2

α
0
J.S. Pierre Intro plans
∆
0 10 20 30
d'expérience 40 50 60 70 55
P
lans Quelques tests bien connus
et appréciés
„ Etendue studentisée
„ De Duncan
„ De Newman & Keuls

„ De Tukey

„ T corrigé de Bonferroni
„ Test de Dunett
„ Comparaison à un témoin

J.S. Pierre Intro plans

d'expérience 56
P
lans
Tests extrêmes

„ PPDS (LSD) de Fisher

„ Puissant, non conservatif, en général
déconseillé
„ Test des contrastes de Scheffé
„ Absolument conservatif, très peu
puissant

J.S. Pierre Intro plans

d'expérience 57
P
lans

1.3 Optimisation

Comment faire un meilleur

plan

J.S. Pierre Intro plans

d'expérience 58
P
lans

Calcul du nombre de
répétitions nécessaires

J.S. Pierre Intro plans

d'expérience 59
P
lans Comment poser le
problème ?
„ Il faut déterminer quatre paramètres
„ 1. Le risque α désiré

„ 2. La puissance 1-β désirée

„ 3. La différence ∆ à mettre en évidence

„ 4. La variance résiduelle du modèle σ

2

J.S. Pierre Intro plans

d'expérience 60
P
lans
La question correcte :

„ Sachant que j’attend une variance σ2

„ Combien dois-je faire de répétitions
„ Pour mettre en évidence une
différence d’ordre ∆ entre modalités
„ Avec une puissance β
„ Et un risque de première espèce α

J.S. Pierre Intro plans

d'expérience 61
P
lans
Mais…
„ Comment avoir une idée de la variance
résiduelle σ2 ????????
„ Plusieurs solutions
„ Faire une préexpérience
„ Compulser la bibliographie
„ Chercher des données d’essais antérieurs
„ Interroger les vieux
„ ….

J.S. Pierre Intro plans

d'expérience 62
P
lans
Bis repetita
„ Avant de monter une bonne
expérience il est souvent
indispensable d’en faire une mauvaise
„ (on a dit la même chose de
l’échantillonnage)
„ Principe DEUSE (Deux Essais, Une
Seule Erreur)

J.S. Pierre Intro plans

d'expérience 63
P
lans
Comment fait-on ?
Cadre : le test z de l’écart réduit
H0 H1

δ
z α + zβ = δ
2

β
α /2 α /2

-4 -2 0 2 4 6

zα zβ
J.S. Pierre Intro plans
2
d'expérience 64
P
lans
Et donc …
z α + zβ = δ
2
∆
z α + zβ =
2 σ2
2
n

2 2
2σ ⎛ ⎞⎟
n≥ 2 ⎜⎜ z α + z β ⎟
∆ ⎝ 2 ⎠⎟
J.S. Pierre Intro plans
d'expérience 65
P
lans
Avec F

„ Le facteur est à effets fixés -> le

numérateur est fixé
„ On joue donc sur le dénominateur et
on ne peut jouer que sur les degrés
de liberté du dénominateur
„ pr –p = p(r-1)
„ Ne peut se faire que par itération
J.S. Pierre Intro plans
d'expérience 66
P
lans
Exemple

„ Dans l’exemple F(4,15)=2.6 NS

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

J.S. Pierre Intro plans

d'expérience 67
P
lans

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

J.S. Pierre Intro plans

d'expérience 68
P
lans
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'expérience 69
[1] 0.04953664
P
lans

Optimisation de l’allocation

Améliorer le contraste !

J.S. Pierre Intro plans

d'expérience 70
P
lans
Principe

„ On dit qu’une allocation est optimale

si elle minimise la variance de
l’ensemble des contrastes auxquels
on s’intéresse
„ Nous avons à définir ce que l’on
entend par contraste

J.S. Pierre Intro plans

d'expérience 71
P
lans
Définition

„ On appelle contraste toute

combinaison linéaire de moyennes
dont la somme des coefficients est
nulle

C = a1m1 + a2m2 + ... + a p m p

a1 + a2 + ... + a p = 0
J.S. Pierre Intro plans
d'expérience 72
P
lans
Cas particulier

„ Comparaison de deux moyennes

C12 = m1 − m2

„ En effet :

C12 = 1 × m1 + ( −1) × m2

J.S. Pierre Intro plans

d'expérience 73
P
lans L’allocation dépend des
objectifs
„ Cas 1 : on s’intéresse de la même
manière à tous les contrastes du type
mi - mj
„ Cas 2 : on s’intéresse essentiellement
à la comparaison à un témoin mi – m0
„ Cas 3 : On cherche à démontrer la
linéarité d’une relation dose-effet

J.S. Pierre Intro plans

d'expérience 74
P
lans
Cas 1
„ On s’intéresse de la même façon à tous les
contrastes élémentaires
„ Quelle est la variance d’un contraste
élémentaire ?
Cij = mi − m j
σ r2 ⎛1 1⎞
σ r2
Var ( Cij ) = + =σ ⎜ + ⎟ 2

ni n j ⎜n n ⎟ r
⎝ i j ⎠

„ Cette variance est d’autant plus petite que

ni et nj sont grands, mais c’est trivial
J.S. Pierre Intro plans
d'expérience 75
P
lans
Quelle est la contrainte ?

„ On se fixe le nombre total d’unités

expérimentales disponibles
(ressources)
p

∑n
i =1
i =N

J.S. Pierre Intro plans

d'expérience 76
P
lans
On pose le problème

„ Trouver le minimum de
1 1
+
ni n j
„ Sous la contrainte d’égalité
p

∑n
i =1
i =N
J.S. Pierre Intro plans
d'expérience 77
P
lans Solution : on forme le
« lagrangien »
⎛ p ⎞
L ( n1, n2 ,..., n p , λ ) = n + n + λ ⎜ ∑ ni − N ⎟
1 1
i j ⎝ i =1 ⎠

Quantité à
minimiser Multiplicateur de
Lagrange

Contrainte
(quantité = 0)
J.S. Pierre Intro plans
d'expérience 78
P
lans On annule les dérivées
partielles
∂L 1
= − 2 +λ = 0
∂n ni
i
„ Soit
1
ni =
λ

J.S. Pierre Intro plans

d'expérience 79
P
lans
Conclusion :

„ Allocation équilibrée
„ Optimale lorsque toutes les
comparaisons sont également
intéressantes

J.S. Pierre Intro plans

d'expérience 80
P
lans
Cas 2
„ Comparaisons à un témoin privilégiées
C10 = m1 − m0
C20 = m2 − m0
⎡ p
1 2 1 ⎤
..... Var ( C ) = σ ⎢ ∑ + p
2
⎥
C p 0 = m p − m0 ⎣ i =1 i
n n0⎦

p
C = ∑ mi − pm0
i =1

J.S. Pierre Intro plans

d'expérience 81
P
lans
Lagrangien
p
⎛ p
⎞
L ( n0 , n1,..., n p , λ ) = ∑ n + p n + λ ⎜ ∑ ni − N ⎟
1 2 1
i =1 i 0 ⎝ i =0 ⎠

∂L 1
= − 2 +λ = 0
∂n ni
i
∂L 1
= −p 2 +λ = 0 2

∂n n0
0
J.S. Pierre Intro plans
d'expérience 82
P
lans
Solution

„ Charge du témoin

1 ⎫
ni = ; i ≠ 0⎪
λ ⎪
⎬ ⇒ n0 = pni
p ⎪
n0 =
λ ⎪⎭

J.S. Pierre Intro plans

d'expérience 83
P
lans
Solution du cas 2

„ Si on ne s’intéresse qu’aux
comparaisons de chaque modalité
avec le témoin on doit :
„ Equilibrer toutes les modalités hors
témoin
„ Affecter autant d’unités au témoin qu’à
toutes les autres modalités réunies

J.S. Pierre Intro plans

d'expérience 84
P
lans
Cas 3

„ Les modalités sont trois doses de

fertilisant équiréparties (ex 10,20,30
Unités)
„ On cherche à démontrer la linéarité
de la réponse à la dose

m1 + m3
m2 = ⇔ m1 − 2m2 + m3 = 0
2
J.S. Pierre Intro plans
d'expérience 85
P
lans
Variance du contraste
⎛1 4 1⎞
Var ( C ) = σ ⎜ + + ⎟
2

⎝ n1 n2 n3 ⎠

„ Lagrangien :

1 4 1 ⎛ 3 ⎞
L ( n1 , n2 , n3 , λ ) = + + + λ ⎜ ∑ ni − N ⎟
n1 n2 n3 ⎝ i =0 ⎠

J.S. Pierre Intro plans

d'expérience 86
P
lans
Solution
1 4 1 ⎛ 3 ⎞
L ( n1 , n2 , n3 , λ ) = + + + λ ⎜ ∑ ni − N ⎟
n1 n2 n3 ⎝ i =0 ⎠
∂L 1 1
= − 2 + λ = 0 ⇒ n1 =
∂n1 n1 λ
∂L 4 2
= − 2 + λ = 0 ⇒ n2 =
∂n2 n0 λ
J.S. Pierre Intro plans
d'expérience 87
P
lans
Solution :

n2 = 2n1 = 2n3

„ Pour montrer la linéarité d’une

relation, on chargera d’avantage les
modalités médianes
J.S. Pierre Intro plans
d'expérience 88
P
lans

Plans à deux facteurs

Croisement, hiérarchie,
interaction, orthogonalité

J.S. Pierre Intro plans

d'expérience 89
P
lans

Les facteurs peuvent être

Croisés
Emboîtés (nested) ou
hiérarchiques

Fixes ou aléatoires
Etudiés ou contrôlés
J.S. Pierre Intro plans
d'expérience 90
P
lans
a) Facteurs croisés

„ a1 : modèle additif
„ Effets indépendants
„ A2 : modèle interactif
„ Effets particulier de chaque combinaison
de modalités
„ A3 : modèles croisés non
orthogonaux

J.S. Pierre Intro plans

d'expérience 91
P
lans
Modèle croisé additif
„ Deux facteurs sont dits croisés si on peut
classifier leurs modalités dans une table à
double entrée
„ Exemple : Sexe et altitude dans le jeu
de données anatalanta
„ Les moyennes par ligne et par colonne de
la table obtenue ont un sens

J.S. Pierre Intro plans

d'expérience 92
P
lans
Ecriture du modèle (fixe)

„ Effets fixes
yij = µ + αi + β j + εij

Effet « moyen » Effet du facteur 2

Effet du facteur 1 Aléatoire
erreur
résidu

J.S. Pierre Intro plans

d'expérience 93
P
lans Ecriture du modèle
(aléatoire)
„ Effets aléatoires
yij = µ + Ai + B j + εij

Effet « moyen » Effet du facteur 2

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

J.S. Pierre Intro plans

d'expérience 94
P
lans
Modèle mixte

„ Effets fixés et aléatoires

yij = µ + αi + B j + εij

Effet « moyen » Effet du facteur 2

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

J.S. Pierre Intro plans

d'expérience 95
P
lans
Votre responsabilité
„ Déclarer un facteur comme fixe ou
aléatoire est de votre responsabilité
„ Fixe : chaque modalité vous intéresse
„ Aléatoire : chaque modalité n’est pour vous
qu’une unité d’échantillonnage (grappe)
„ Exemple : choix judicieux pour anatalanta
„ Sexe : facteur fixé
„ Altitude : facteur fixé
„ Station : facteur
„ Fixé si chaque station est un objet d’étude
„ Aléatoire si les stations ne représentent que la
variabilité du terrain
J.S. Pierre Intro plans
d'expérience 96
P
lans
Exemple
Littoral Altitude
(1) (2)
Mâles X111 X121
(1) X112 X122
x113 x123

Femelles X211 X221

(2) X212 X222
x213 X223
J.S. Pierre Intro plans
d'expérience 97
P
lans
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 apparaître
comme des facteurs
J.S. Pierre Intro plans
d'expérience 98
P
lans
Exemple : facteurs croisés
> 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'expérience 99
P
lans
Orthogonalité
„ Deux facteurs croisés sont dits
orthogonaux si leurs nombres de
répétitions par ligne, colonne et case
vérifient la relation suivante :
ni.n. j
nij =
n..
L’équilibre est un cas particulier
J.S. Pierre Intro plans
d'expérience 100
P
lans Conséquence de
l’orthogonalité
„ Si deux facteurs croisés sont
orthogonaux, les sommes de carrés
d’écart correspondants sont additifs
et ajustés
„ Le type I est absolument correct pour
chaque facteur
„ Sinon, ils sont partiellement
confondus (confounding) et doivent
être analysés en type III
J.S. Pierre Intro plans
d'expérience 101
P
lans Orthogonalité et
planification expérimentale
„ On utilise couramment des plans non
orthogonaux par construction
„ Plans en blocs incomplets équilibrés
(BIE)
„ Plans en blocs incomplets partiellement
équilibrés (BIPE)
„ Plans fractionnaires

J.S. Pierre Intro plans

d'expérience 102
P
lans

Interaction dans le modèle

croisé

Et test de l’interaction

J.S. Pierre Intro plans

d'expérience 103
P
lans
Exemple : facteurs croisés
> 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'expérience 104
P
lans
Modèle additif et interactif

altitude Littoral

Littoral
altitude

mâles femelles mâles femelles

J.S. Pierre Intro plans
d'expérience 105
P
lans
Ecriture

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

yijk = µ + αi + β j + γij + εijk

J.S. Pierre Intro plans

d'expérience 106
P
lans
b) Facteurs hiérarchisés
„ Représentation par un arbre
„ Exemple : Anatalanta aptera

Facteur 1
1 2 3
(hiérarchisant)

Facteur 2
1 2 3 1 2 1 2 3
(hiérarchisé)

J.S. Pierre Intro plans

d'expérience 107
P
lans
Modèle hiérarchique

„ Comment écrit-on le modèle ?

yijk = µ + αi + β j ( i ) + εijk

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

J.S. Pierre Intro plans

d'expérience 108
P
lans Exemple : modèle hiérarchique
aléatoire

„ A venir

J.S. Pierre Intro plans

d'expérience 109
P
lans
Autres notations

βj(i )
βj i
β j <i
J.S. Pierre Intro plans
d'expérience 110
P
lans
Anatalanta

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

yijkl = µ + αi + β j + Dk ( j ) + γij + K ik ( j ) + εijkl

J.S. Pierre Intro plans

d'expérience 111
P
lans Analyse d’un facteur
hiérarchisé
> 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 Pr(>F)
sexe 1 0.2081 0.2081 7.3296 0.007158 **
altitude 1 0.6716 0.6716 23.6574 1.831e-06 ***
altitude:station 6 2.8914 0.4819 16.9750 < 2.2e-16 ***
Residuals 311 8.8290 0.0284
---
Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1
J.S. Pierre Intro plans
d'expérience 112
P
lans

Les plans factoriels

J.S. Pierre Intro plans

d'expérience 113
P
lans Les plans factoriels
complets
„ Un plan factoriel est dit complet si chaque
modalité du premier facteur est associée
avec chaque modalité du second facteur
dans une unité expérimentale
„ Généralisation : un plan factoriel à k
facteurs est dit complet si toutes les
combinaisons possibles des modalités de
chaque facteur pris 2 à 2, 3 à 3, k à k sont
associées dans le même nombre d’unités
expérimentales
„ Dans le cas contraire, il est dit incomplet
J.S. Pierre Intro plans
d'expérience 114
P
lans Exemple de plan factoriel
complet
„ Facteur 1 : 3 modalités, A,B,C
„ Facteur 2 : 3 modalités, X,Y,Z
„ Facteur 3 : 2 modalités 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'expérience 115
P
lans
Caractéristiques
„ Orthogonal
„ Comporte au minimum pqr unités expérimentales
(p,q,r, respectivement nombre de modalités des
facteurs 1,2,3). Dans le cas général, produit du
nombre de modalités de chaque facteur
„ Un plan qui comporte le minimum d’unités
nécessaires est dit minimal. S’il en comporte plus,
il est dit répété . Dans ce cas il doit comporter 2
fois, 3 fois, etc… ce nombre minimal d’UE
„ m étant le nombre de facteurs, on peut atteindre
au plus les interactions d’ordre m-1 sur un plan
minimal
J.S. Pierre Intro plans
d'expérience 116
P
lans
Exemple
„ Le plan de la diapositive 116
„ Le plan minimal a 3 x 3 x 2 =18 unités
expérimentales
„ Il permet d’atteindre les interactions
d’ordre 2, mais pas l’interaction d’ordre 3
„ Les plans répétés contiennent 36,54,72…
UE
„ Les plans factoriels complets sont lourds et
chers
J.S. Pierre Intro plans
d'expérience 117
P
lans

Cas particulier :

Les plans en blocs

J.S. Pierre Intro plans

d'expérience 118
P
lans
Plans en blocs
„ Un des facteurs est souvent un facteur dit
« bloc »
„ Non étudié et « non intéressant », il sert
souvent à contrôler l’hétérogénéité du
matériel expérimental
„ Pour un petit nombre d’unités
expérimentales, on ne fait pas confiance à
la randomisation

J.S. Pierre Intro plans

d'expérience 119
P
lans Exemple de blocs
„ Agronomie, écologie expérimentale : contrôle de
l’hétérogénéité du terrain
„ Randomisation par bloc

35 35
A C E E B Randomi- A C E D B B1
sation
30 30
E D A B C B2
D D A A C

C D D E E C D A B E B3
25 25
D C B B E D C B E A B4

D
20 C B B C Blocs D C A E B B5
20
E A A D B E A C D B B6
15 15

J.S. Pierre Intro plans

d'expérience 120
P
lans
Autre exemple

„ 12 porcs
„ Très
hétérogènes
„ 4 traitements
A,B,C,D
„ 3 blocs

J.S. Pierre Intro plans

d'expérience 121
P
lans Le plan :
A D

C B

D A

C B

J.S. Pierre Intro plans B A D C

d'expérience 122
P
lans
Analyse

„ Plans factoriels et plans en blocs

„ Analyse de variance orthogonale
„ Jugement des interactions (si
possibles)
„ Jugement de l’effet bloc
„ (significatif de préférence)
„ Jugement de l’effet traitement
J.S. Pierre Intro plans
d'expérience 123
P
lans
Exemple

„ Essai colza
„ 12 blocs
„ 3 terreaux
„ 4 variétés
„ 12 pots perdus par bloc
„ Plan factoriel en blocs complets
équilibrés
J.S. Pierre Intro plans
d'expérience 124
P
lans
> m1<-lm(D12~bloc*var*ter,data=colza)
> anova(m1)
Analysis of Variance Table

Response: D12
Df Sum Sq Mean Sq F value Pr(>F)
bloc 11 30465 2770 3.5551 8.439e-05 ***
var 3 39950 13317 17.0936 1.685e-10 ***
ter 2 7720 3860 4.9545 0.007463 **
bloc:var 33 44207 1340 1.7196 0.009096 **
bloc:ter 22 20968 953 1.2234 0.222592
var:ter 6 8186 1364 1.7514 0.107696
bloc:var:ter 64 49031 766 0.9834 0.516420
Residuals 426 331871 779
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
J.S. Pierre Intro plans
d'expérience 125
P
lans
> 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 Pr(>F)
bloc 11 30465 2770 3.4986 9.715e-05 ***
var 3 39950 13317 16.8220 1.928e-10 ***
ter 2 7720 3860 4.8758 0.007983 **
bloc:var 33 44207 1340 1.6922 0.010424 *
Residuals 518 410057 792
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

J.S. Pierre Intro plans

d'expérience 126
P
lans Analyse de l’interaction
bloc-variété
100

colza$bloc

Bloc2
Bloc1
90

Bloc11
Bloc7
mean of colza$D12

Bloc9
80

Bloc4
Bloc8
Bloc12
Bloc10
70

Bloc6
Bloc5
Bloc3
60
50

C F N P

J.S. Pierre Introcolza$var

plans
d'expérience 127
P
lans
Comparaison des moyennes

J.S. Pierre Intro plans

d'expérience 128
P
lans

Plans factoriels incomplets

Pallier l’insuffisance des

grands blocs

J.S. Pierre Intro plans

d'expérience 129
P
lans

Blocs incomplets équilibrés

Une première solution

J.S. Pierre Intro plans

d'expérience 130
P
lans
Premier exemple

A C E D B
b =5
t =5
E B A C D
r =4
λ =3
C E D B A

D A B E C

B D C A E

J.S. Pierre Intro plans

d'expérience 131
P
lans
Cinq constantes
„ b : nombre de blocs
„ t : nombre de traitements
„ k : nombre de traitements par bloc
„ r : nombre de répétitions d’un traitement
„ λ : nombre de répétition d’un contraste

λ=
( t − 2 )!
( k − 2 )!( t − k )!
J.S. Pierre Intro plans
d'expérience 132
P
lans
Notion d’efficacité

λt
E=
kr
„ Ici (3 x 5)/(4 x 4) = 15/16 = 93.75%
„ Pas d’interprétation trop rapide de cet
indice !
J.S. Pierre Intro plans
d'expérience 133
P
lans
Sens de l’efficacité
Variance d'un contraste élémentaire dans le BIE
E=
Variance du même contraste dans le BCE correspondant

„ Théorème : Parmi tous les plans connectés

de paramètres v,b,k, un BIE, s’il existe
maximise l’efficacité minimum
„ On n’en donnera pas la démonstration

J.S. Pierre Intro plans

d'expérience 134
P
lans
Construction des BIE

„ Carré de Youden
„ Plans irréductibles
„ Plans complémentaires
„ Catalogues de plan (Raghavarao
1971, Cochran 1963)
„ Logiciels : AlgDesign (Package de R)

J.S. Pierre Intro plans

d'expérience 135
P
lans
Exemple
„ Construction d’un plan optimal pour les TP
„ On a 10 variétés d’Arabidopsis thaliana, on souhaite en
mettre 5 par boîte de culture
„ On utilise la fonction optBloc de AlgDesign sous R
> BIB<-optBlock(~.,withinData=factor(1:10),blocksizes=rep(5,10))
> data.frame(BIB$Blocks)
X1 X1.1 X1.2 X1.3 X1.4 X1.5 X1.6 X1.7 X1.8 X1.9
1 1 1 2 1 2 1 3 1 2 3
2 2 3 3 4 4 4 4 2 6 5
3 3 5 4 8 5 5 6 6 7 7
5 5 6 9 9 6 7 7 7 8 8
8 8 10 10 10 9 10 8 9 10 9
J.S. Pierre Intro plans
d'expérience 136
P
lans
Quel plan obtenons nous
„ Ce n’est pas un BIE -> un BIE avec ces
caractéristiques est impossible
„ C’est un BIPE à deux classes d’association
1 2 3 4 5 6 7 8 9 10
> crossprod(table(BIB$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
J.S. Pierre Intro plans
d'expérience 10 3 2 2 2 2 3 2 2 2 5 137
P
lans

Les Plans en Blocs

incomplets partiellement
équilibrés
BIPE

J.S. Pierre Intro plans

d'expérience 138
P
lans
Assouplissement des BIE

„ But : diminuer encore la taille des

blocs
„ Accepter de « sacrifier » certains
contrastes
„ λ n’est plus uniforme
„ Il y a des classes d’association avec
une série de constantes λ, λ1,λ2,λ3…
J.S. Pierre Intro plans
d'expérience 139
P
lans
Exemples de construction
a b
b c b c
c d
d d a
a
b e
c f
e f d h
a g
g e f
h
f h
h g
J.S. Pierre Intro plans
d'expérience g e 140
P
lans
Caractéristiques
a b „ b = 12
b c
c d „ t=8
d a „ k=2
b e „ λ1 = 1 (arêtes)
c f
d h „ λ2 = 0 (diagonales)
a g
e f
f h
h g
g e J.S. Pierre Intro plans
d'expérience 141
P
lans
Analyse
„ BIE et BIPE
„ Analyse de variance non orthogonale
„ BIE
„ Comparaison des « moyennes ajustées »
„ BIPE
„ Comparaison des « moyennes ajustées »
„ Par classe d’association

„ Par couples de classes d’association

J.S. Pierre Intro plans

d'expérience 142
P
lans

Analyse de variance non

orthogonale

La question des effets et

SCE « ajustés »

J.S. Pierre Intro plans

d'expérience 143
P
lans
Problème
35
a b „ Avantages : blocs très
b c homogènes
30 c d
„ Inconvénients : effets
d a
b e
biaisés, confusion
25 c f
partielle des effets blocs
d h et traitements
a g „ Par exemple
20 e f „ a est vu dans les meilleurs
f h blocs
h g „ e dans des blocs
15
g e médiocres
J.S. Pierre Intro plans
d'expérience 144
P
lans
Solution
„ Estimation des effets par les moindres
carrés non orthogonaux
„ On estime d’abord l’effet bloc (non ajusté)
„ On estime l’effet des traitements sur les
résidus du modèle précédent
„ Les effets et somme de carrés associés aux
traitements sont dits ajustés

J.S. Pierre Intro plans

d'expérience 145
P
lans > anova(lm(rdt~bloc+var,data=bie))
Exemple
Analysis of Variance Table

Response: rdt
Df Sum Sq Mean Sq F value Pr(>F)
bloc 4 861.94 215.49 162.089 1.070e-09 ***
var 4 241.35 60.34 45.387 8.997e-07 ***
Residuals 11 14.62 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 Pr(>F)
var 4 173.37 43.34 32.602 4.824e-06 ***
bloc 4 929.93 232.48 174.874 7.100e-10 ***
Residuals 11 14.62 1.33 # Si l’on veut s’assurer du statut des blocs
J.S. Pierre Intro plans
d'expérience 146
P
lans

Plans à plusieurs systèmes

de blocs

Carrés latins et grécolatins,

Split-plot et criss-cross
Confounding (confusion)

J.S. Pierre Intro plans

d'expérience 147
P
lans
Le carré latin
D B A E C

A C D B E

E D C A B

B A E C D

C E B D A

J.S. Pierre Intro plans

d'expérience 148
P
lans
Analyse
„ Trois facteurs :
„ Blocs horizontaux
„ Blocs verticaux
„ Traitements
„ Aucune interaction n’est accessible
„ Contraignant
„ Peu puissant
„ Usage : très forte hétérogénéité des UE,
contrôle de deux gradients
J.S. Pierre Intro plans
d'expérience 149
P
lans
Carré gréco-latin
Dy Bw Az Ex Cv

Az Cv Dw By Ex

Ew Dx Cv Az By

Bx Az Ey Cv Dw

Cv Ey Bx Dw Az

J.S. Pierre Intro plans

d'expérience 150
P
lans
Analyse
„ Quatre facteurs
„ Blocs horizontaux
„ Blocs verticaux

„ Traitement 1

„ Traitement 2

„ Système orthogonal
„ Aucune interaction accessible
„ Très peu puissant
J.S. Pierre Intro plans
d'expérience 151
P
lans
Le split-plot
„ Une simplification pratique des plans factoriels
complets à deux facteurs étudiés + les blocs
„ Exemple : Sur une grande boîte de Petri carrée, on
peut étudier plusieurs mutants d’Arabidopsis
„ Mais on ne peut faire qu’un seul traitement
(témoin, ou sucre, ou sucre + herbicide)
„ Le facteur traitements doit donc être randomisé
plus grossièrement que le facteur mutant
„ Split-plot = parcelle coupée

J.S. Pierre Intro plans

d'expérience 152
P
lans
Comparaison
Plan factoriel en bloc Split - plot

A B A B B A B B B A A A
X Z Z Y X Y Y X Z X Z Y
B A B A B A A A A B B B
Y X Z Y X Z Z X Y Y Z X
B B A B A A A A A B B B
Z Y Z X X Y Z Y X Y X Z
B A B A B A B B B A A A
X Y Z Z Y X Z Y X Z X Y

J.S. Pierre Intro plans

d'expérience 153
P
lans
Analyse

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

J.S. Pierre Intro plans

d'expérience 154
P
lans
Premier niveau

yi .k . = µ + αi + δ k + ηik

second niveau
yijkl = µ + αi + β j l + γ ij l + δ k + ηik + ε ijkl

J.S. Pierre Intro plans

d'expérience 155
P
lans

Les plans factoriels p k

• Complets
• Fractionnaires

• Hiérarchiser les facteurs

J.S. Pierre Intro plans

d'expérience 156
P
lans But : étudier de nombreux
facteurs
„ On cherche à trier l’influence de
nombreux facteurs
„ On s’intéresse peu à la linéarité des
effets
„ On cherche les facteurs les plus
importants (facteurs clés)
„ On s’intéresse à des interactions
J.S. Pierre Intro plans
d'expérience 157
P
lans
La base : les plans 2k

„ Exemple : le plan 23 „ Axα

„ Trois facteurs à deux „ Axβ
modalités „ Ayα
„ A,B „ Ayβ
„ x,y „ Bxα
„ α,β
„ Bxβ
„ Un des facteurs peut
„ Byα
jouer le rôle de blocs
„ Byβ
J.S. Pierre Intro plans
d'expérience 158
P
lans
Caractéristiques

„ Si les modalités sont quantitatives,

elles doivent être aussi contrastées
que possible
„ On atteint les interactions d’ordre k-1
„ Croissent géométriquement avec le
nombre de facteurs
„ Orthogonaux
J.S. Pierre Intro plans
d'expérience 159
P
lans Exemple
> 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'expérience 160
P
lans
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'expérience 161
P
lans
Conclusions de l’exemple

„ On hiérarchise les facteurs ainsi :

„ F2 > F1 > F3 > F4 > F1:F3

„ Seuls F1 et F3 sont interactifs

J.S. Pierre Intro plans

d'expérience 162
P
lans Visualisation des
interactions

14
x$F3

beta
12 alpha
mean of x$rep

10
8

A B

J.S. Pierre Intro

x$F1plans
d'expérience 163
P
lans

Fractions de plans

Ou plans fractionnaires

J.S. Pierre Intro plans

d'expérience 164
P
lans
Fractions de plan

„ Exemple : on souhaite étudier 3

facteurs à deux modalités
„ Cela nous conduirait à un plan
factoriel 23 soit à 8 unités
expérimentales
„ Nos ressources se limitent à 4
„ Nous allons faire une fraction de plan
J.S. Pierre Intro plans
d'expérience 165
P
lans
Construction d’un 2 /2
3

„ Considérons le plan 22 avec

interaction
U F1 F2 I12 U F1 F2 F3 U F1 F2 F3

1 +1 +1 +1 1 +1 +1 +1 1 A X α

2 +1 -1 -1 2 +1 -1 -1 2 A Y β

3 -1 +1 -1 3 -1 +1 -1 3 B X β

4 -1 -1 +1 4 -1 -1 +1 4 B y α

J.S. Pierre Intro plans

d'expérience 166
P
lans Ce plan factoriel est
incomplet
U F1 F2 F3 U F1 F2 F3

1 A X α 5 A X β

2 A Y β 6 A Y α

3 B X β 7 B X α

4 B y α 8 B y β

Partie présente Partie manquante

J.S. Pierre Intro plans

d'expérience 167
P
lans
Confusion (confounding)

„ Le facteur 3 a été confondu avec

l’interaction des facteurs 1 et 2
„ On dit également qu’il est sacrifié
„ Nous avons déjà rencontré cette
stratégie dans le Split-Plot

J.S. Pierre Intro plans

d'expérience 168
P
lans
Quand les utiliser ?

„ On utilisera les fractions de plan pour

contrôler (comme avec des blocs) des
facteurs de variation dont l’effet est
déjà bien connu
„ Sans répétition, le troisième facteur
est confondu non seulement avec
l’interaction mais aussi avec la
résiduelle
J.S. Pierre Intro plans
d'expérience 169
P
lans

Plans composites centraux

Central composite designs

J.S. Pierre Intro plans

d'expérience 170
P
lans
Principe

„ A un plan factoriel 2k, on ajoute un

point « central » éventuellement
répété.
„ Les facteurs doivent être quantitatifs
„ Prenons un exemple

J.S. Pierre Intro plans

d'expérience 171
P
lans
Exemple
„ 2 facteurs normés à -1,+1 +1

„ 2 modalités, A,B et x,y

„ Ax -1 -1
„ Ay -1 +1 0
„ Bx +1 -1
„ By +1 +1
„ 00 0 0
-1

J.S. Pierre Intro plans

d'expérience 172
P
lans
Rationalité

„ 1. Estimation correcte de la variance

résiduelle
„ 2. Détection de relations non linéaires
(cadre des surfaces de réponse)

J.S. Pierre Intro plans

d'expérience 173
P
lans
Références utiles
„ Cours de l’Université de Lyon
„ http://spiral.univ-lyon1.fr/mathsv/cours/pdf/stat/Chapitre9.pdf

„ Ouvrages
„ Dagnélie, P. 1993. Principes d’expérimentation. 2e
réimpression. 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'expérience 174
P
lans

„ http://fr.wikipedia.org/wiki/Plan_d%27exp
%C3%A9rience#
„ (plutôt mauvais. Voir de préférence l’original
anglais « design of experiments »)
„ http://www.educnet.education.fr/rnchimie/
math/benichou/cours/plan/plan.htm
„ Bon cours mais limité aux plans factoriels et
fractionnaires (point de vue de chimiste)

J.S. Pierre Intro plans

d'expérience 175
P
lans
Modèles compliqués
„ Croissance très rapide du nombre
d’interactions avec le nombre de facteurs
„ Plus de trois facteurs et/ou covariables
„ Le recours à la théorie des plans d’expérience
devient indispensable
„ Confusions d’effets
„ Construction de plans factoriels
„ Utilisation de plans types

J.S. Pierre Intro plans

d'expérience 176