Modélisation des facteurs qualitatifs

Dans cours

Description

Cette séance de cours couvre la modélisation des facteurs qualitatifs dans la conception expérimentale, y compris lutilisation de pseudo-tenseurs et linférence de programmation. Il traite de la comparaison des modèles obtenus par des plans factoriels et des carrés latins, ainsi que de la conception des carrés gréco-latins. La séance de cours se penche également sur les carrés de Youden, les conceptions équilibrées, et se termine par une analyse ANOVA et des parcelles de points. Des applications pratiques utilisant des routines MATLAB sont démontrées, mettant l'accent sur l'interprétation des coefficients et des résidus. La séance de cours met en évidence limportance de comprendre les interactions entre les facteurs et limportance de lajustement du modèle dans lanalyse des données expérimentales.

Connectez-vous pour regarder la vidéo

Enseignant

Source officielle

https://mediaspace.epfl.ch/media/0_ryrclzp3

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Séances de cours associées (37)

Concepts associés (32)

Analyse de la variance

En statistique, lanalyse de la variance (terme souvent abrégé par le terme anglais ANOVA : analysis of variance) est un ensemble de modèles statistiques utilisés pour vérifier si les moyennes des groupes proviennent d'une même population. Les groupes correspondent aux modalités d'une variable qualitative (p. ex. variable : traitement; modalités : programme d'entrainement sportif, suppléments alimentaires; placebo) et les moyennes sont calculés à partir d'une variable continue (p. ex. gain musculaire).

Glossary of experimental design

A glossary of terms used in experimental research. Statistics Experimental design Estimation theory Alias: When the estimate of an effect also includes the influence of one or more other effects (usually high order interactions) the effects are said to be aliased (see confounding). For example, if the estimate of effect D in a four factor experiment actually estimates (D + ABC), then the main effect D is aliased with the 3-way interaction ABC. Note: This causes no difficulty when the higher order interaction is either non-existent or insignificant.

Plan factoriel

thumb|right|Expériences statistiques : à gauche, un plan factoriel et, à droite, la surface de réponse obtenue par la méthode des surfaces de réponses En statistiques, un plan factoriel est une expérience qui consiste à choisir des valeurs pour chacun des facteurs en faisant varier simultanément tous les facteurs, de façon exhaustive ou non. Le nombre d'essais peut alors devenir très grand, i.e. on a une explosion combinatoire. Une telle expérience permet l'étude de l'effet de chaque variable sur le processus, ainsi que l'étude de la dépendance entre les variables.

Plan d'expériences

On nomme plan d'expériences (en anglais, design of experiments ou DOE) la suite ordonnée d'essais d'une expérimentation, chacun permettant d'acquérir de nouvelles connaissances en maîtrisant un ou plusieurs paramètres d'entrée pour obtenir des résultats validant un modèle avec une bonne économie de moyens (nombre d'essais le plus faible possible, par exemple). Un exemple classique est le « plan en étoile » où en partant d'un jeu de valeurs choisi pour les paramètres d'un essai central, on complète celui-ci par des essais où chaque fois un seul des facteurs varie « toutes choses égales par ailleurs ».

Optimal design

In the design of experiments, optimal designs (or optimum designs) are a class of experimental designs that are optimal with respect to some statistical criterion. The creation of this field of statistics has been credited to Danish statistician Kirstine Smith. In the design of experiments for estimating statistical models, optimal designs allow parameters to be estimated without bias and with minimum variance. A non-optimal design requires a greater number of experimental runs to estimate the parameters with the same precision as an optimal design.