REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE
MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE
CENTRE UNIVERSITAIRE DE NAAMA
Institut des Sciences et Technologie
Département SNV
1ème année Master Physiologie végétale et biodiversité
Traitement Statistique des
Données
Elaboré et présenté par
MAHDAD Yassine
Année universitaire 2020-2021
Programme
I. Définition de la méthode expérimentale
I.1 Exemple d’une méthode expérimentale
II. Dispositif ou plan expérimental
II.1 L’erreur expérimentale
II. Les composantes de l’expérimentation
V. Principes du dispositif expérimental
V. Les étapes de la réalisation d'expériences
VI. Exemples de dispositif ou plan expérimental
VI.1 Dispositif Complètement Aléatoire (DCA)
VI.2 Dispositif en Blocs Aléatoires Complets (DBAC)
[Link]ÉTHODE
Alhazen, également connu sous le nom de
EXPÉRIMENTAL
La méthode expérimentale est une démarche scientifique qui consiste à
tester par des expériences répétées la validité d'une hypothèse en
obtenant des données nouvelles, qualitatives ou quantitatives, conformes
ou non à l'hypothèse initiale. Elle est à la base de ce que l'on nomme à
présent la méthode scientifique introduite grâce aux travaux de Ibn Al
Haytham (Alhazen).
Alhacen ou Alhazen, également connu sous le nom
de Ibn al-Haytham (( )اﺑﻦ اﻟﮭﯿﺜﻢBassorah, 965 – Le
Caire, 1039) est un mathématicien, philosophe et
physicien arabe. Un des premiers promoteurs de la
méthode scientifique expérimentale.
Alhacen ou Alhazen,
I.1 EXEMPLE D’UNEégalement
MÉTHODE connu sous le nom de
EXPÉRIMENTALE
1. Constat :
Depuis 1960, une « lèpre verte » ronge les peintures préhistoriques de la grotte de
Lascaux (Dordogne en France).
Ci-dessus, un fragment d'une fresque peinte il y a 17 000 ans. Schéma de la "lèpre verte" vue au microscope (x 250)
2. Problématique :
Pourquoi des algues unicellulaires se sont-elles développées dans la grotte de Lascaux ?
3. Hypothèse :
Cette grotte, dans laquelle on avait installé un important éclairage, recevait de très
nombreux visiteurs qui respiraient dans cet espace limité (émanation du CO2). Nous
pouvons supposer que c’est l’éclairage qui a favorisé le développement des végétaux
dans la grotte.
Alhacen
EXEMPLE ou Alhazen, également connu
D’UNE MÉTHODE sous le nom de
EXPÉRIMENTALE
4. Conséquence vérifiable :
Si c’est la lumière qui favorise le développement des végétaux, une plante placée à la
lumière devrait se développer et croitre normalement comparée à une même plante mise
à l’obscurité.
PROTOCOLE EXPÉRIMENTAL POUR TESTER L'HYPOTHÈSE
Objectif :
Comparer l’effet de la lumière Vs obscurité sur le développement et la croissance d’une
plante.
Les constantes (facteurs contrôlés) :
Les deux lots de plantes (graines d’haricot) doivent être placées dans les mêmes
conditions : mêmes pots, même terre, même température, arrosages avec la même eau
(qualité) et avec la même fréquence…etc. Il faut donc définir toutes ces constantes.
La variable :
La seule chose qui change entre les deux pots est l’éclairage : Un pot reçoit la lumière
tandis que l’autre pot est mis à l’obscurité.
Alhacen
EXEMPLE ou Alhazen, également connu
D’UNE MÉTHODE sous le nom de
EXPÉRIMENTALE
Le témoin :
Ce qui sert ici de référence, c’est le pot placé dans les conditions habituelles (présence
de lumière) de germination des graines, développement et croissance des plantes
d’haricot.
Les résultats attendus :
Si l’hypothèse est correcte, nous nous attendons à ce que les graines d’haricot placé à la
lumière germent et donnent des plantes qui se développent et croient normalement en
comparaison avec les graines d’haricot placé à l’obscurité.
Résultats :
L’hypothèse est acceptée
Alhacen
EXEMPLE ou Alhazen, également connu
D’UNE MÉTHODE sous le nom de
EXPÉRIMENTALE
Résultats : cas du cresson de fontaine (Nasturtium officinale) ()ﺟﺮﺟﯿﺮ اﻟﻤﺎء
Alhacen ou Alhazen, également(autres
EXPÉRIMENTATIONS connuexemples)
sous le nom de
• Sélectionner la meilleure variété d’une espèces agricole donnée.
• Identifier la meilleure ration pour l'alimentation animale.
• Détermination des conditions de fonctionnement optimales pour un
processus chimique ou biologique.
• Comparer l'efficacité de deux ou plusieurs méthodes de contrôle ou de
stimulation de la croissance d'un organisme biologique.
• Obtenir des informations sur les effets produits sur l’output (ex:
rendement) en augmentant les doses d’input donnés (ex: les intrants).
• ……
Alhacen ou Alhazen,OU
II. DISPOSITIF également connu sous le nom de
PLAN EXPÉRIMENTAL
• C’est la répartition des traitements sur les unités expérimentales (ex:
parcelles, agneaux, patients…)
• Le dispositif expérimental a pour principal but d'estimer et de comparer
convenablement (grâce à l’analyse statistique) les moyennes des
traitements testés, en tenant compte de la présence de l’amplitude de
l'erreur expérimentale.
LES PRINCIPES FONDAMENTAUX: L'ERREUR
EXPÉRIMENTALE
1. Existence de répétitions.
2. Les traitements doivent être disposés de manière aléatoire.
3. Le contrôle local de la variabilité existante.
AlhacenII.1
ou Alhazen,
L’ERREURégalement connu sous le nom de
EXPÉRIMENTALE
• Si nous cultivons une variété de blé sur deux parcelles adjacentes, les
rendements obtenus après la récolte seront différents.
• La production de deux arbres génétiquement identiques plantés sur la
même terre est rarement la même.
• Si nous nourrissons dans les mêmes conditions n lapereaux de la même
portée, le gain de poids à observer après un certain temps, ne sera
certainement pas le même chez tous les animaux.
• Ces différences sont attribuables à des causes environnementales
(parfois aussi génétique) qui échappent au contrôle du chercheur. Ce sont
l'expression de la variabilité expérimentale et déterminent ce qui est
connu comme l'erreur expérimentale.
Variabilité entre les unités expérimentales
Disciplinairement
Exemple:
Contrôlables irrigation+engrais
Causes Statistiquement
Par le dispositif
Non (Design)
contrôlables
Responsables de l’erreur expérimentale
Alhacen
III. LESou Alhazen, également
COMPOSANTES connu sous le nom de
DE L’EXPÉRIMENTATION
• Hypothèse de travail
• Conditions (facteurs) qui peuvent influencer le résultat
• Unités expérimentales
• Unité d’observation
• l’Erreur expérimentale
• Répétitions
• Randomisation
Hypothèse de travail
L'augmentation des doses de cuivre dans l'alimentation
pour l'engraissement des agneaux se traduit par une
plus grande prise de poids.
Conditions qui peuvent influencer le résultat
• Facteurs qui doivent demeurer constants
• Facteur(s) qui doivent varier (objet d’étude)
Facteurs à contrôler Facteur(s) qui doivent varier
Race - Âge – Sexe – • Concentration du cuivre dans
Conditions environnementales l’aliment
d’exploitation - Régime • Régime alimentaire?
alimentaire?
Unités expérimentales
• Une unité expérimentale (UE) est définie comme la
quantité minimale de matériel expérimental qui reçoit un
et seulement un des traitements donnés (doses de
cuivre).
ex : 1 agneau = 1 traitement (10 mg de cuivre) = 1 unité
expérimentale.
• Les unités expérimentales doivent être aussi homogène
que possible.
Exemples d’unités expérimentales
UE: un agneau.
Tout au long de
l'expérience, l'agneau
a reçu l'un des UE: quatre agneaux.
traitements donnés Tout au long de
l'expérience, les 4
agneaux ont reçu le
même traitement
Les unités d’observation
L'unité d'observation (à partir de laquelle on observe
le résultat de l'expérience) peut ne pas être
équivalente à l‘unité expérimentale.
UE avec une unité
d’observation
UE avec 4 unités
d’observation
IV. Principes du Dispositif Expérimental
I.- Existence de répétitions.
Etant la base de l'erreur expérimentale, chaque traitement doit
être répété deux ou plusieurs fois. Son nombre dépendra des
ressources disponibles et de la magnitude des différences qui sont
destinées à être détectées. Celles-ci sont en grande partie
déterminées par la variabilité entre les unités expérimentales.
Le concept de répétition
La répétition consiste à appliquer d’une manière
indépendante chaque traitement à deux ou plusieurs unités
expérimentales
On utilise les répétitions pour plusieurs raisons :
• Permettent l’estimation de la variance de l’erreur
expérimentale.
• Assurent un certain degré de sécurité contre les résultats
atypiques à cause d'accidents imprévus lors de la réalisation
de l'expérience.
• Augmentent la précision dans l'estimation des effets des
traitements.
Principes du Dispositif Expérimental
II. Les traitements doivent être disposés aléatoirement.
C’est-à-dire que chaque unité expérimentale (généralement une
parcelle élémentaire dans le cas des modèles agricoles) doit avoir la
même probabilité de recevoir n’importe quel traitement.
Randomisation de l’expérimentation
• La randomisation de l'expérience consiste à attribuer au
hasard des traitements aux unités expérimentales de
sorte que chaque UE aura la même chance de recevoir
un traitement quelconque.
Traitements Témoin Sorgho Maïs Colza
980 1200 1300 1350
1050 1230 1180 1420
N° de chaque 1100 1150 1200 1550
bouvillon 1000 1390 1170 1600
1120 1250 1050 1490
• Important : la randomisation est mise en œuvre par des
dispositifs physiques: Par tambours de loterie, par tirage
au sort ou par un programme informatique.
Randomisation de l’expérimentation
Randomisation de l’expérimentation
Principes du Dispositif Expérimental
III. Contrôle local de la variabilité existante.
Ce principe permet d’imposer certaines restrictions sur la disposition
aléatoire des traitements dans les unités expérimentales lorsqu'il existe
une variabilité connue et à priori contrôlable et cela pour obtenir une
réduction de l'erreur expérimentale.
Principes du Dispositif Expérimental
Contrôle local de la variabilité existante.
Bloc 1
Bloc 2
Bloc 3
Dans les dispositifs aléatoires en blocs, les traitements sont organisés
dans des blocs d'unités expérimentales homogènes imposant la
restriction que chaque traitement doit être présent une seule et seulement
une seule fois dans chaque bloc. Ainsi, nous pouvons éliminer la
variabilité existante propre de l’effet du bloc, en réduisant ainsi l'erreur
expérimentale et en augmentant la précision dans la comparaison entre
les moyennes des traitements.
V. Les étapes de la réalisation d'expériences
1. Définir la problématique. Vous ne pouvez pas vérifier des
hypothèses ou formuler des questions avant de bien comprendre la
nature du problème à étudier.
2. Définir les objectifs. Ceux-ci peuvent être sous forme de questions
à laquelle il faut répondre, hypothèse à vérifier, ou effets à estimer.
La définition d'objectifs clairs permet de planifier efficacement
l'expérience.
3. Sélection des traitements d'essai. Il est important de noter que leur
nombre doit être réduit. Le choix d'un grand nombre de traitements
peut se traduire par la présence de multiples interactions entre eux
difficiles à interpréter.
Les étapes de la réalisation d'expériences
4. Sélection du matériel expérimental. Il est nécessaire de garder à
l'esprit les objectifs de l'expérience et la population à partir de
laquelle sont tirées les conclusions. Le matériel testé doit être
représentatif de cette population.
5. Sélection du dispositif expérimental. Toujours choisir le plus facile
qui s’adapte aux conditions de travail.
6. Sélection de l'unité expérimentale et le nombre de répétitions. La
taille et la forme des parcelles d'une culture particulière sont
déterminées par l'expérience, si à priori elles sont ignorées, elles
doivent être consultées, par exemple, dans la littérature.
Les étapes de la réalisation d'expériences
7. Le contrôle des effets des parcelles adjacentes. Ce résultat est
obtenu grâce à l'utilisation de parcelles de bordure et la
randomisation des unités expérimentales.
8. Type d’analyse statistique à réaliser. Elle est déterminée par le
dispositif expérimental. Il est nécessaire à ce stade de résumer le
type et le nombre de comparaisons entre les traitements choisis. A
ce stade, il convient, avant de procéder à l'expérience, d'examiner
l'ensemble du protocole d'essai avec une autre personne avant de
le concrétiser. De cette façon, vous pouvez corriger ou ajuster ce
qui est nécessaire.
Les étapes de la réalisation d'expériences
9. Réalisation de l’expérience. Dans le cadre de la réalisation de toute
expérience, il se doit d’utiliser des procédures qui doivent être
relativement indépendantes des personnes qui les exécutent. Ils
doivent être extrêmement prudent dans le relevé des données,
(évitant le facteur de fatigue) et la transcription des résultats.
10. Analyse et interprétation des résultats. Les données doivent être
analysées en fonction des conditions présupposées, et des
hypothèses établies.
Les étapes de la réalisation d'expériences
11. Préparation du rapport final. Le but de l'expérience n'est pas celui
de mettre en place le dispositif expérimental ou d’effectuer les
analyses statistiques. Le but ultime est de tirer des conclusions sur
un domaine spécifique. Donc, il se doit de rédiger un rapport final
qui ne soit pas de nature statistique, sinon de nature propre à
l’objet de discipline de l'expérience.
VI.1 Dispositif Complètement Aléatoire (DCA)
Consiste à attribuer au hasard, sans aucune restriction, ‘t’ traitements à ‘n’
unités expérimentales. Ce modèle est utilisé quand il y a peu de variabilité
entre les unités expérimentales. Il est souhaitable, mais pas indispensable
que chaque traitement ait le même nombre de répétition ‘r’.
Dispositif Complètement Aléatoire (DCA)
Supposons que les résultats (fictifs) de l'expérience ont été comme suit:
Dispositif Complètement Aléatoire (DCA)
Que nous pouvons les ordonner de la manière suivante :
Dispositif Complètement Aléatoire (DCA)
Modèle mathématique d’un dispositif complètement aléatoire :
En termes paramétriques, nous définissons le modèle comme suit :
23 = 44 + (-12) + (-9)
yij : Représente le rendement du traitement i dans sa répétition j.
: La moyenne générale de l’expérience.
: L’écart de la moyenne de la variété i par rapport à la moyenne
générale.
: L’écart du rendement de la variété i dans la répétition j par rapport à
la moyenne de cette variété dans l’ensemble des répétitions.
Dispositif Complètement Aléatoire (DCA)
Modèle mathématique d’un dispositif complètement aléatoire :
Ce dernier écart résulte comme conséquence de l’existence de l’erreur
expérimentale.
À partir de ce modèle, nous avons défini certains paramètres que
nous pouvons estimer en utilisant l’expression suivante:
Représente une estimation de la moyenne générale
Représente une estimation de la moyenne de traitement i
Représente une estimation de l’écart de la moyenne du
traitement i dans la répétition j.
Dispositif Complètement Aléatoire (DCA)
De cette partition d’effet, il convient de noter que:
; - 12 + 29 + 0 – 8 – 9 = 0
, par exemple pour ALPHA: -9 +4 +5 = 0
Analyse de la variance dans un dispositif complètement aléatoire
La variation totale observée entre les valeurs à 2 sources:
• La première (Somme des carrés des Traitements), sont les
possibles différences qui existent entre les différents traitements
• La deuxième (Somme des carrés de l’Erreur), est due aux écarts
propres de la variabilité expérimentale des conditions de notre
expérimentation
Dispositif Complètement Aléatoire (DCA)
Ce qu'on entend par analyse de variance (ANOVA) est juste une manière
ordonnée de réaliser un test statistique. Tout test statistique est réalisé
en trois étapes :
1. Etablir une hypothèse originale et alternative;
2. Détermination statistique, qui est distribuée selon le type de test que
nous souhaitons effectuer. Dans ce cas, selon une distribution F de
Snedecor;
3. Comparaison de la valeur calculée avec la valeur pondérée qui
correspond à la distribution en question.
Dispositif Complètement Aléatoire (DCA)
Dans l'exemple des variétés de blé on veut comparer un ensemble déterminé
de traitements. Le processus à suivre est le suivant:
1. Etablissement de l’hypothèse nulle ou originale et l’hypothèse alternative;
Ho: Alpha = Beta = Gamma = Delta = Epsilon
Ha: Au moins il existe une inégalité entre les traitements
Selon notre modèle, l’hypothèse originale est équivalente à :
C’est-à-dire:
Ainsi, nous pouvons réécrire l'hypothèse selon:
Dispositif Complètement Aléatoire (DCA)
2. Détermination statistique
Cette étape se réalise suivant un tableau d’une forme bien déterminée:
Dispositif Complètement Aléatoire (DCA)
2. Détermination statistique
Calculez les différents paramètres du modèle en question (Analyse de la
variance ‘ANOVA’).
14 3864
4 3390 847.5 17.88 3.478
10 474 47.4
Dispositif Complètement Aléatoire (DCA)
2. Détermination statistique
Calculez les différents paramètres du modèle en question (Analyse de la
variance ‘ANOVA’).
14 3864
4 3390 847.5 17.88 3.478
10 474 47.4
Dispositif Complètement Aléatoire (DCA)
2. Détermination statistique
Calculez les différents paramètres du modèle en question (Analyse de la
variance ‘ANOVA’).
14 3864
4 3390 847.5 17.88 3.478
10 474 47.4
Dispositif Complètement Aléatoire (DCA)
14 3864
4 3390 847.5 17.88 0.0001
10 474 47.4
Dispositif Complètement Aléatoire (DCA)
3. Prendre la décision
F calculé (17.88) > F tabulaire ou théorique (3.478)
L’hypothèse nulle H0 est rejetée et donc on accepte l’hypothèse alternative
Ha où :
Aussi :
P-value = 0.0001 pour un niveau de signification α = 0.05 ou 5%,
soit p-value < α et donc le test statistique effectué est significatif
Résolution en utilisant GENSTAT
1. Rapporter sur le Genstat la feuille Excel avec les données :
Ouvrir le fichier correspondant tout en s’assurant que la colonne ‘Traitement’ doit être
considérée comme facteur, ce dernier a comme signe ! de couleur rouge. La colonne
‘Rendement’ doit être considérée comme variable (dépourvue de signe).
Résolution en utilisant GENSTAT
2. Cliquer sur l’onglet Stats et sélectionner le test statistique en question à
savoir, Analysis of Variance…et incorporer par la suite le modèle en question
(Rendement (Rdto), Traitement).
Résolution en utilisant GENSTAT
3. Voir le résultat de l'analyse dans la fenêtre de sortie OUTPUT.
***** Analysis of variance *****
Variate: Rendement
Source of variation d.f. s.s. m.s. v.r. F pr.
Traitement 4 3390.00 847.50 17.88 <.001
Residual 10 474.00 47.40
Total 14 3864.00
***** Tables of means *****
Variate: Rendement
Grand mean 44.0
Traitement ALPHA BETA DELTA EPSILON GAMMA
32.0 73.0 36.0 35.0 44.0
*** Standard errors of differences of means ***
Table Traitement
rep. 3
d.f. 10
s.e.d. 5.62
VI.2 Dispositif en Blocs Aléatoires Complets (DBAC)
Le DBAC est probablement le dispositif le plus commun (le plus
utilisé). Les traitements sont assignés aléatoirement à un groupe
d'unités expérimentales appelé blocs, chaque traitement apparaît le
même nombre de fois, généralement une fois dans chaque bloc. Les
blocs sont créés de manière à minimiser la variabilité au sein de
chaque bloc, ce qui maximise les différences entre les blocs. Ainsi,
l'erreur expérimentale est réduite et la précision de l’expérimentation
est améliorée pour détecter au mieux les différences entre les
traitements dans le but d’en tirer des conclusions valides.
Dispositif en Blocs Aléatoires Complets (DBAC)
Exemple
• Supposons que nous voulions tester le comportement de quatre
variétés de blé (alpha, bêta, gamma, delta) avec trois répétitions pour
chacune sur une parcelle dans laquelle il existe apparemment une
hétérogénéité, due par exemple, à l'irrigation gravitaire qui est
effectuée à partir d'un canal parallèle au champ. Supposons qu’une
possible randomisation selon un DCA avait été comme suit:
Dispositif en Blocs Aléatoires Complets (DBAC)
• La variété ALPHA peut se voir nettement défavorisée (lésée) par
l’irrigation, puisqu’elle se trouve plus éloignée de la source d'eau. Par
contre la variété BETA peut être favorisée dans la mesure où
l'irrigation n'est pas correctement conçue. Dans ce cas, il existe une
source d'hétérogénéité, à savoir l'irrigation, il convient donc, de définir
(utiliser) les blocs perpendiculaires pour cause d’hétérogénéité, de
sorte que sur chaque bloc apparaissent l'ensemble des différents
traitements (variétés). Par exemple:
Dispositif en Blocs Aléatoires Complets (DBAC)
Bloc 1
Bloc 2
Bloc 3
• Dans ce cas, toutes les variétés semblent être dans les mêmes
conditions par rapport au facteur irrigation. Chacune d'entre elles
apparait seulement une fois dans chacun des trois blocs.
Dispositif en Blocs Aléatoires Complets (DBAC)
Bloc 1
Bloc 2
Bloc 3
• Processus de randomisation: dans un DBAC, on impose la restriction
que tous les traitements doivent apparaitre en général une fois dans
chaque bloc. Conceptuellement, ce que nous devrions faire est de
répéter trois fois un processus d'échantillonnage dans lequel le nom de
chacun des quatre traitements (variétés) est introduit dans un sac,
attribuant au fur et à mesure du processus d’échantillonnage à chaque
unité expérimentale la feuille que l’on a tirée.
Dispositif en Blocs Aléatoires Complets (DBAC)
• Supposons que les résultats (fictifs) de l'expérience ont été comme
suit:
ALPHA BETA GAMMA DELTA Total Bloc 1
61 64 69 74 268
DELTA BETA ALPHA GAMMA Total Bloc 2
65 52 51 53 221
BETA GAMMA DELTA ALPHA Total Bloc 3
49 58 53 47 207
Dispositif en Blocs Aléatoires Complets (DBAC)
Que nous pouvons les ordonner de la manière suivante :
ALPHA BETA GAMMA DELTA
61 64 69 74 Moyenne
51 52 53 65 générale
47 49 58 53
Moyenne 53 55 60 64 58
• Si nous étudions les valeurs enregistrées, nous pouvons apercevoir un
certain nombre de principes. En premier lieu, il semble que la définition
de bloc soit adéquate, puisqu’il existe un gradient dans le total des
parcelles de chaque bloc de sorte qu’il descend (gradient) vers le bas
de 1 à 2 et de 2 à 3.
Dispositif en Blocs Aléatoires Complets (DBAC)
• La comparaison intuitive entre les variétés n'est pas aussi évidente que dans
l'exemple de DCA (tableau 1). Cependant, il semble clair que l'alpha et bêta
sont les variétés les moins productives au sein de chaque bloc. Ces
comparaisons sont entravés par le fait que nous ne pouvons pas compter sur
une idée simple de l'erreur expérimentale comme dans le cas de DCA. Dans
ce cas, les différences entre les rendements du même traitement ne sont pas
seulement dues à l'erreur présente dans toutes les expériences, mais aussi de
l'effet de bloc.
Tableau 1
ALPHA BETA GAMMA DELTA
61 64 69 74
Moyenne
51 52 53 65
générale
47 49 58 53
Moyenne 53 55 60 64 58
Dispositif en Blocs Aléatoires Complets (DBAC)
Modèle mathématique d’un Dispositif en Blocs Aléatoires Complets :
Dans ce cas, un autre paramètre apparaît dans le modèle, car le facteur
bloc peut générer une variation entre les différentes observations.
Les sources possibles de variation entre les données seront le traitement,
le facteur de bloc et l'erreur expérimentale.
En termes paramétriques, nous définirions le modèle comme suit:
Où représente le rendement des traitements (variétés) i dans la répétition j; la
moyenne générale de l’expérimentation ; l'écart de la moyenne de la variété i par rapport à
la moyenne générale; l’écart de la moyenne du bloc j par rapport à la moyenne générale,
l’écart (déviation) du rendement de la variété i dans la répétition j par rapport à la
moyenne de cette variété et par rapport à l’effet du bloc . Ce dernier écart résulte
comme conséquence de l’existence de l’erreur expérimentale.
Dispositif en Blocs Aléatoires Complets (DBAC)
Dispositif en Blocs Aléatoires Complets (DBAC)
Dispositif en Blocs Aléatoires Complets (DBAC)
Analyse de la variance
L'analyse de variance DBAC a donc la structure suivante :
Dispositif en Blocs Aléatoires Complets (DBAC)
Analyse de la variance
Le résultat d'analyse de variance est comme suit:
Le but de ce dispositif n’est pas de déterminer s'il y a des différences entre
les blocs. Cependant, nous pouvons voir que l’Ho que tous les blocs aient
la même moyenne de rendement peut être rejetée, car le Fc = 20,28 pour
2 et 6 degrés de liberté à une probabilité associée égale à 0,0021.
Dispositif en Blocs Aléatoires Complets (DBAC)
Implication de la définition de bloc dans un DBAC dans l’analyse
de variance
La définition de bloc a comme objectif de réduire l'erreur expérimentale en
éliminant une source de variation connue et contrôlable comme l'hétérogénéité
expliquée par les blocs. Par conséquent, le but de la table de variance d’un
DBAC n'est pas la détermination stricte si oui ou non il y a différences entre les
blocs, mais son objectif principal est celui de déterminer s’il existe ou non des
différences significatives entre les différents traitements.
Que veut dire l’existence d’un effet bloc significatif ? Ça veut dire que nous
avons fait le bon choix en choisissant un dispositif en blocs randomisés, car ils
semblent y avoir des différences importantes entre les blocs.
Dispositif en Blocs Aléatoires Complets (DBAC)
Implication de la définition de bloc dans un DBAC dans
l’analyse de variance
Si la même expérience a été réalisée selon un DCA, avec le même résultat
de randomisation que celui du DBAC, le résultat de l’analyse aurait été:
Dispositif en Blocs Aléatoires Complets (DBAC)
Dans ce cas, il semble clairement qu’il n’y ait pas de différences entre les
traitements (p-value = 0.4372 > 0.05). Réellement le DBAC permet de
réduire l'erreur expérimentale correspondant à la somme des carrés du
facteur blocs qui est parfaitement contrôlable en utilisant la randomisation.
SC Erreur DCA = SC Blocs + SC Erreur DBAC = 510.5 + 75.5 = 586
Résolution en utilisant GENSTAT
1. Rapporter sur le Genstat la feuille Excel avec les données
Résolution en utilisant GENSTAT
2. Incorporation des facteurs (Traitements et blocs) et de la variable
(rendement) dans l’application Analysis of variance.
Résolution en utilisant GENSTAT
***** Analysis of variance *****
Variate: rendement
Source of variation d.f. s.s. m.s. v.r. F pr.
blocs stratum 2 510.50 255.25 20.28
blocs.*Units* stratum
varietes 3 222.00 74.00 5.88 0.032
Residual 6 75.50 12.58
Total 11 808.00
***** Tables of means *****
Variate: rendement
Grand mean 58.0
varietes ALPHA BETA DELTA GAMMA
53.0 55.0 64.0 60.0
*** Standard errors of differences of means ***
Table varietes
rep. 3
d.f. 6
s.e.d. 2.90