(B&I) 03 01 Lecture Dispositifs Experimentauxen Milieu Non Controle

Universit de Kinshasa Facult des Sciences Agronomiques DEA Phytotechnie
Dispositifs Exprimentaux en Milieu Non Contrl

Edition 1 2007 R.V. KIZUNGU Biomtricien, dfense des cultures
Dispositifs Exprimentaux en milieu non contrl
page 2
Objectif du cours :
A la fin de cette partie, tu ne dois plus avoir en ton esprit quelque doute qui persiste encore sur la ncessit de la planification de lexprience. Tu sauras en mme temps quune bonne planification de lexprience est vitale pour une bonne recherche.
Roger KIZUNGU Vumilia 2007
page 3
Table des matires
MODULE 1 Unit 1 Unit 2 Unit 3 MODULE 2 Unit 1
Introduction Pourquoi planifier une exprience en agronomie ? Mythe autour de la planification dune exprience Le prix dune exprience non planifie Planification dans un univers alatoire Toujours commencer par des hypothses bien dfinies Questions, Hypothses et Prdiction en vue de produire une vidence pour satisfaire les sceptiques Importance e la bibliographie et des donnes disponibles Manipulations experimentales ou variations naturelles ? Les principes de lexprimentation Variation entre individus ou intra-groupes Rptitions Pseudo-rptitions Randomisation Blocking Les dispositifs exprimentaux Les contrles Dispositifs compltement randomiss et factoriels Dispositifs en Blocs compltement randomiss Dispositif inter-individus Dispositifs split-plot A propos des statistiques Prise des mesures et autres reflexions Calibrations, prcisions et variabilit inter et intra observations Dfinition des catgories, effets dobservations et
Unit 2 Unit 3
MODULE 3 Unit 1 Unit 2 Unit 3 Unit 4 Unit 5 MODULE 4 Unit 1 Unit 2 Unit 3 Unit 4 Unit 5 Unit 6 MODULE 5 Unit 1 Unit 2
page 4
Unit 3
enregistrement des donnes Comment slectionner les niveaux de traitement et comment faire un sous-chantillonnage effets Etapes dune exprimentation
MODULE 6
page 5
Introduction
La planification dune exprience ou llaboration dun dispositif exprimental est une tape dans la dmarche scientifique (Fig.1) qui se rsume par le triangle Questions - Hypothses Prdiction. Elle est est mi-chemin entre la formulation claire dune question scientifique et le dbut mme de lexprience en vue dprouver les effets dun facteur en tude.
1 Observations Questions
2 Hypothses
Dmarche
Scientifique 5 Diffusion 3 Exprimentation
4 Thorisation
page 6
En agriculture, contrairement en cologie, le dispositif exprimental a une histoire commune avec la recherche agronomique qui navait que comme proccupation, llaboration des technologies en vue des rendements de plus en plus lvs. Lquipe de Fisher la station Rothamsed a su imposer la bonne pratique dans ce domaine. Beaucoup de manuels dcrivent ces dispositifs de facon trs dtaill, parfois mme trop, pour faciliter les calculs la calculette comme lexigait la technologie du moment.
Actuellement, la recherche agronomique a tendu son champ des proccupations. Certains phnomnes biologiques comme la comptition, linteraction entre plante et insectes, la prdation des insectes nuisibles par des insectes utiles, lanalyse de lhistoire de vie sont voqus pour expliquer bien des situations proccupantes pour lhomme. Il faut donc rpenser la facon de poser les problmes dans beaucoup des cas.
Beaucoup de chercheurs terminent le second cycle avec des connaissances rudimentaires en Biomtrie. La plupart se sont auto-forms ou ont eu des formations spcifiques pendant leur carrire. Cela ne leur permet pas dtre familiers aux nouvelles mthodes pourtant chaque jour labores pour les agronomes.
Il existe des ouvrages qui sont prsents de facon trs gnral ou thorique. Le lecteur a souvent du mal lier leur contenu aux pratiques calculatoires proposs par les logiciels commercialiss.
page 7
Les mthodes spcialises ou spcifiques ne sont pas souvent dans les livres de statistique conventionnels. Elles sont souvent sommairement prsentes dans la rubrique mthode des revues comit de lecture. Ceci constitue une barrire qui fait que les techniques ne soient pas facilement entre les mains des chercheurs.
Un des rsultats de ce contraste besoin-formation est que beaucoup darticles sont rejetts par les revues avec mention mauvaise utilisation des statistiques ou mauvaise planification de lexprience . Souvent les critiques concernent : lidentification impropre des rptitions et des pseudo-rptitions (Hubert, 1984, Gurevitch et Chester, 1986) ; Mauvaise utilisation des tests de comparaison multiple (Day et Quinn, 1989) ; Mauvaise utilisation des techniques bien connues comme lANOVA quand il existe des mthodes plus puissantes disponibles (Gaines et Rice, 1990) ; Mauvaise utilisation de la rgression multiple (James et McCulloch) ; Non utilisation des techniques qui existent (power analysis, Manova, mesures rptes, ajustement non linaire, Ancova, lanalyse spatiale, analyse bayesienne et les mtaanalyses. La mauvaise prsentation des donnes sur les paramtres et les tests (Fowler N. 1990) et Lutilisation abusive des tests de signification (Yoccoz, 1991).
page 8
Ceci appelle donc la ncessit de rflechir sur les dispositifs exprimentaux dans un contexte particulier, celui du milieu rel ou le milieu non contrl et donc chez les paysans. Ces milieux ont une si grande variabilit inter-sites sur le plan des terres disponibles. Il en existe o les contraintes foncires sont telles que lon a pas la possibilit dinstaller une exprience avec des parcelles contigues. Il y en a aussi presque vides quon a envie dy installer un essai avec un nombre de rptitions infini.
Cest ainsi que, aid par la technologie de linformatique qui permet au chercheur deffectuer des gros volumes de calcul, nous allons nous tendre sur les possibilits de savoir chaque situation, combien de rptitions pourraient tre retenus afin que lexprience chez le paysan, non subventionn, pouvait tre budgtivore mindre chelle.
Ce cours a donc la vocation de relancer le dbat sur le dispositif exprimental. Il est crit pour les tudiants en DEA en Phytotechnie de la Facult dAgronomie de lUniversit de Kinshasa. Il peut intresser aussi le chercheur confirm en agronomie ainsi que dautres tudiants qui ont la vocation de faire de la recherche et/ou lenseignement. Il intressera aussi bien les chercheurs qui sont dans la recherche applique que ceux qui sont dans la recherche fondamentale.
Le but sera dencourager le chercheur lusage correct des approches disponibles bien connues et vulgariser les mthodes peu connues. Il vise donc tende le repertoire des techniques statistiques.
page 9
Il sadresse donc au chercheur qui planifie une exprience en vue d expliquer les relations entre individus exprimentaux, de comparer deux ou plusieurs stratgies, de prdire le futur partir des donnes passes ou dtudier lvolution dun systme.
page 10
MODULE 1 Pourquoi planifier une Exprience en agronomie ?
Cette partie du cours est concue de sorte quelle suscite un bon dmarage au chercheur qui na jamais planifi une exprience, mais aussi un outil pour laborer cette planification en consquece. Elle ne couvre pas tout le domaine de facon exhaustive. On se referera la bibliographie pour voir les grands clasiques qui dveloppent dautres aspects. Elle permet quand mme au chercheur en biologie de planifier des expriences dans la plus part des cas de recherche scientifique. Beaucoup de recherches qui ont fait le succs de la recherche de nos institutions de recherche ne sont pas sorties du cadre de cette note. Ceux qui matrise les dispositifs prsents ici doivent tre srs quils ont la matire pour rsoudre toute forme de problme scientifiques quil se pose.
Cette partie permet non seulement de planifier lexprience, mais montre comment effectuer une collecte des donnes de qualit. Ce sont ces donnes ont besoin dune analyse statistique pour rpondre la question scientifique qui intresse le chercheur. Ici on entrera pas dans la discussion des analyses
page 11
statistiques. On va en revanche indiquer les types des modles ou les diffrents tests statistiques associs tel ou autre type de dispositif.
On ne manquera pas de donner des exemples pour illustrer les points de vue avancs.
Chaque chapitre commence par une vue densemble et se termine par un rsum.
Il y a un jargon propre aux dispositifs exprimentaux. Ils seront chaque fois mis en exergue afin que le lecteur puisse se les approprier.
Le but premier de cette partie est denlever une fois pour toute le doute de la tte du chercheur de la ncesit dun dispositif exprimental. Dans le premier point et le deuxime, on discute comme une bonne planification trouve son origine dans un problme scientifique bien pos. Presque toutes les expriences sont faites sur un chantillon et les rsultats sont extrapols sur les populations plus vastes. Comment tirer un chantillon est la cl du troisime point. Dans le quatrime point reprend les principes de base de lexprimentation. Faire une belle planificatio dune exprience ne servirait rien si on effectue une mauvaise collecte des donnes. Le cinquime point montre comment le faire. Le dernier point est celui des points qui nont pas su avoir lespace parmi les autres.
Ceci nest pas un texte mathmatique. Nulle part on donnera les quations diverses. Il ne faut pas tre mathmaticien ou physicien pour les comprendre.
page 12
Une bonne planification de lexprience est vitale dans le cadre de la demarche scientifique. Ce point a pour objectif de vous convaincre que vous devez savoir un minimum propos dune bonne planification dexpriences. Ceci est la peitite chose que vous aurez en plus pour vous ouvrir la voie vers une belle carrire scientifique.
page 13
Unit 1. Mythes autour de la planification dune exprience

Kizungu Vumilia Roger Contribution : Katanga Kabalevi Joseph (V.1.1. 10/12/2006
10:08/7/03/2007 9:36)
Une enqute auprs des Chercheurs du Systme National de Recherche Agronomique de la RD du Congo(1) rvle que certains refoulent systmatiquement un dentre eux
La Biomtrie est lapplication des mathmatiques aux sciences de la vie. Elle est admise comme discipline part il ny a pas trs longtemps. Il existe depuis, des docteurs en Biomtrie communment appls biomtriciens. Les statistiques, sont utilises en Biomtrie dcisionnelle. Les quations diffrentielles en modlisation dynamique des phnomnes et des systmes biologiques. LAlgbre linaire en planification exprimentale. Les intgrales dans le calcul de la puissance des essais etc. Le biomtricien est donc un auxiliaire recommand du chercheur en sciences de la
texte quand ils y voient associs les termes et
vie comme lagronomie. Son rle est de traduire le langage mathmatique en langage biologique.
planification
exprimental. Pour cette catgorie de chercheurs, la planification dune exprience et lanalyse de donnes qui en rsulte sont une affaire des biomtriciens (voir encadr). Ils se disent avant tout biologistes et prfrent se concentrer sur des problmes biologiques. Ils prfrent aller droit lexprimentation sans rflchir sa planification, sa budgtisation et sa rentabilit. La mme enqute montre
1
Ce systme se met progressivement en place. Une premire base de donnes ce propos est organise la Direction de lExprimentions Agricole de lINERA spcialement la Division de Biomtrie et Informatique. Elle rpertorie plus de 70 institutions qui ont au moins 10 % de leurs activits sur la recherche agronomique. Pour information ce propos contacter : jocelin makoko <makjoce@yahoo.fr>,
page 14
que souvent, cette prise de position est lie un souvenir amer de cette discipline. Il sest cre ainsi, au fil des annes, deux mythes autour de la planification des expriences.
Mythe 1. Il nest pas important de se poser des questions les sur comment vous
collecter
donnes.
Car,
trouverez toujours un logiciel statistique pour les analyser. Ceci serait beau, mais cest faux. En effet, il existe plusieurs tests statistiques mais tous ne sadaptent qu des situations particulires de collecte des donnes. Chaque test saccompagne des suppositions respecter pour quil soit applicable correctement.
Mythe 2. Collecter un grand nombre des donnes peut nous ddouaner de la planification de lexprience. Elles
doivent srement renfermer quelques effets observables. Ceci est aussi faux. La quantit des donnes nest nullement pas lie leur qualit. Une petite quantit des donnes collectes suivant un dispositif exprimental bien pens peut rendre lanalyse statistique puissante. En dautres termes, permettre au test statistique de rvler des effets biologiques intressants sils existent effectivement. En revanche, un grand
page 15
lot des donnes collectes nimporte comment peut faire que le test devienne peu puissant.
Le chercheur manifeste une certaine peur ou inquitude de lavnement des mathmatiques dont les statistiques et la biomtrie se servent. Il doit donc retenir pour le moment que la planification dune exprience est trs simple et nexige pas des mathmatiques. Elle fait appel au bon sens avant tout mais elle est soumise tout simplement quelques rgles lmentaires de base.
page 16
Unit 2 Le prix dune exprience non planifie et non budgtise

Tout chercheur doit tre convaincu que faire une exprience mobilise des ressources. En effet, une exprience a pour but ultime, le gain dinformation sur la configuration de lagro-cosystme et de ses processus. En dautres termes, le salaire dun chercheur qui planifie une exprience pour tester un effet quelconque est de pouvoir le rveler sil existe effectivement. Planifier une exprience cest rflchir scientifiquement comment fonctionne la mcanique du test statistique qui sera utilis pour rveler un effet escompt
(2)
. Cest un moyen pour acqurir une confiance en ses donnes et tre sr
que lon mesure ce sur quoi on a rflchi. Cest une faon de comprendre les limites des conclusions tirer dune exprience particulire. La planification dune exprience est faite pour le systme biologique. Et cest pourquoi, une meilleure planification est faite par le biologiste lui-mme ou alors en parfaite synergie avec le biomtricien un peu plong dans sa problmatique
(3)
Pour planifier son exprience, le chercheur sinvestit dabord dans une longue bibliographie. Celle-ci peut stendre sur six mois pour une bonne formulation dhypothse tester. Elle peut ncessiter la lecture de plus de trente articles pour arriver cette tape prliminaire (4). Quand on sait quun
2
Cest souvent le cadet des soucis des chercheurs, mme vous 95% de cas: les enqutes le disent 3 Le biometricien nest plus donc cet automate qui sait un peu plus que les autres, utiliser les logiciels statistiques et qui on remet juste les dones analyser. 4 Un chercheur qui pretend commencer un nouveau domaine de recherche sans bibliographie nest pas sur une bonne piste. Mme Benveniste (1988) qui voulait dmontrer
page 17
article cote 25 $ US, ce nest donc pas un petit investissement. Ensuite, il se lance dans le choix du matriel appropri utiliser pour tester son hypothse. Sil doit peser les chvres, le statisticien lui souffle quil en faut au moins trente pour que ses rsultats soient valables. Sil a tester les effets dune technologie agricole, il doit au minimum immobiliser un champ pendant toute la priode de son exprience. Cela peut se chiffrer. Puis vient ltape o il doit bien spcifier le caractre mesurer. Sil doit compter les taches de la rouille sur les feuilles de la baselle, cela se solde par un effort physique qui peut aussi tre valu ou chiffr. Ces tapes pour les expriences sur le cafier svaluent plus de 120 000 $ pour 4 ans. Si en plus le chercheur doit se faire assister par un biomtricien pour dune part, spcifier la procdure de la mesure des caractres retenus et dautre part la procdure dterminer si la mesure effectue supporte lhypothse, alors une facture supplmentaire sen suit.
En dfinitive, une exprience non planifi ou pas bien planifi est un mauvais investissement des ressources financires, humaines et matrielles. Si une exprience qui a gnr beaucoup de donnes ne permet pas lexprimentateur rpondre sa question biologique suite au dfaut de planification, alors il aura perdu non seulement le temps, mais aussi que
largent et lnergie. Symtriquement, quand le chercheur trouve
lexprience prvue prend beaucoup de temps et beaucoup de ressources financires ou matrielles, il a tendance lorganiser la plus sobre possible. Il tombe trs souvent dans le cas dune exprience hautement budgtivore qui ne sait mme pas amortir quelque dpense.
que leau a une mmoire dans une publication de Nature avait une bibliographie (Nature vol. 333, juin, p. 816) .
page 18
Unit 3 La planification de lessai dans un univers alatoire

Lagronomie est un univers alatoire par excellence. Cette ralit est du domaine du sens du commun. Si on veut par exemple tudier le poids moyen dune chvre dun troupeau, le bon sens nous dfend de peser seulement une bte et conclure que cest cela
Lexprimentation consiste contrler les variations dues aux facteurs qui nintressent pas ltude dites aussi variations alatoires pour ne rester quavec les effets des facteurs qui intressent ltude.
le poids moyen. On sera amen naturellement prendre quelques chvres, les peser et trouver une moyenne. Et on fera mention la variation autour de cette moyenne. Ce nest pas le cas en physique : un lectron pse autant, quil soit seul ou quils soient nombreux.
Si lobjet de ltude est de voir comment une caractristique dun sujet exprimental (variable A) est affecte par deux autres caractristiques (variables B et C), alors A est appell variable rponse ou variable dpendante. Les variables B et C sont dites covariables, rgresseurs ou variables indpendantes. Les variations qui sobservent dans la variable dpendante et qui ne sont pas dues aux variables indpendantes sont dites variations alatoires ou bruits.
En plus en agronomie, les systmes sont complexes. Quand on veut tudier une variable A en fonction dun facteur B, il faut sassurer quil ny a pas un autre facteur C dont dpend le facteur B. C devient dans ce cas un facteur de confusion. Par exemple, considrons que lon fasse la pese des chvres (variable A) de deux troupeaux (facteur B) dont un labri et lautre lair
libre. Le bon sens nous guiderait de les peser tous en mme temps dans les mmes conditions. Supposons que par malheur, mi chemin on soit oblig darrter la pese cause dune pluie (facteur C) qui sabat sur les
page 19
ch`vres exposes. Si notre objectif de ltude tait de vrifier si la moyenne des deux troupeaux dpendait de leur abri, une question surgit en cas dobservation de diffrences : est-elle due la diffrence du type dabri ou seulement la diffrence de poids due leau de pluie.
La planification de lexprience devient donc une ncessit incotournable pour dterminer toutes les conditions de travail. Les expriences en milieu contrl sont dj trs complexes. Le chercheur doit tre conscient que cette complexit devient de plus en plus grande dans un milieu non contrl comme cest le cas chez les paysans. Les sources de variations deviennent nombreuses.
Rsum
Vous ne pouvez pas tre un bon scientifique dans le domaine des sciences de vie sans comprendre les notions de base de la planification de lexprience.
Les notions de base de la planification de lexprience sont un ensemble bien restreint des rgles simples. Vous navez pas besoin dtre performant en mathmatiques pour planifier une bonne exprience.
Si vous planifiez mal une exprience, vous payez ce dfaut en temps et en argent perdu.
page 20
Le soucis de temps et de ressource sont insignifiants compars l'impratif de concevoir une bonne exprience afin de ramener des cots de cette exprience dans la limite des croyances et coutumes.
page 21
MODULE 2 Toujours commencer par des hypothses bien dfinies

Lobjectif principal quand on prvoit une exprimentation est de tester une ou plusieurs hypothses scientifiques spcifiques.
On ne peut pas planifier une exprience sans une dfinition claire des hypothses.
Une bonne planification a pour finalit de produire un test puissant de lhypothse.
Le rsultat produit doit convaincre les scientifiques Une tude pilote doit permettre au chercheur de focaliser sur les objectifs et de parfaire la collecte des donnes.
Une premire dcision prendre est celle de savoir si on fait des manipulations exprimentales ou simplement des observations sur les variations naturelles. On peut aussi combiner les deux
Une deuxime dcision est de choisir entre le milieu rel (environnement naturel) ou dans un milieu contrl de laboratoire
Un compromis : il existe de mauvaises expriences et des bonnes. Il nen existe jamais de meilleurs.
page 22
Unit 1
Questions, Hypothses et Prdiction en vue de produire une vidence pour satisfaire les sceptiques
Toute planification dune exprience trouve son origine dans un questionnement. Par exemple :
Question : La trachomycose du cafier robusta est une maladie Elle Hein dune est & grande par importance Gibberela F.
conomique. xylarioides
cause Saocas
(anamorphe
xylarioides Steaers). Elle a t observe depuis 1939. Depuis elle tait matrise. Elle a rapparu vers les annes 70. Pourquoi ?
Hypothse : il y a une variabilit au sein de la population du pathogne et quil existe une souche qui est plus virulente que les autres.
Prdiction : Les souches diffrentes affectent diffremment la plante.
Ceci donne lieu un besoin de planifier une exprience qui aurait comme hypothse nulle : la maladie nest pas affecte par la diversit. Dire ceci veut dire que si on observait une diffrence entre les effets des maladies due
page 23
aux diffrents souches, cela serait alors du aux effets alatoires. Si on arrive rejeter cette hypothse, cela nous donnerait de la matire.
Il faut donc essayer de trouver un test, le plus puissants pour tester cette hypothse.
Hypothse : Les cafiers sont plus attaqus par F. xylarioides que par F. solani. Prdiction : La proportion de plantes mortes de la maladie sera plus grande quand elles sont attaques par F. xylarioides que par F. solani.
Mais ! Il se pourrait que les cafiers inoculs par F. solani soient plus robustes que ceux inoculs par F. xylarioides.
Do une prcision simpose dans la
prdiction : La
proportion des plantes prises dans les mmes conditions et morts de la maladie sera plus grande quand elles sont attaques par F. xylarioides que par F. solani.
Quid alors si lhypothse nulle est rejete ? En dautres termes, quarrive t-il si on arrivait dmontrer quil y a un effet souche ? Cela nous renseignerait que le problme est chercher du ct du cafier. Si en revanche on trouvait
page 24
quil y avait un effet souche, alors on chercherait celle qui cause le plus de dgts.
On doit donc sorganiser pour choisir un test puissant qui est capable de dceler les diffrences quand celle-ci existent rellement afin de convaincre ceux qui doutent encore.
Unit 2
Importance e la bibliographie et des donnes disponibles
La bibliographie trouve ici son importance car :
on doit tre sr quon a pos une question sensible on doit aussi tre sr quon a choisi un modle qui marche dans le sens de dmontrer les effets ;
on doit aussi tre sr quon peut collecter des donnes de base compatibles avec le modle choisi.
Unit 3
Manipulations exprimentales ou variations naturelles ?
Hypothse : chez les hirondelles, la grande taille des mles les rend attractifs pour les femelles.
page 25
Mthode 1 : variations naturelles ou mthode corrlative : on mesure les mles puis on observe le nombre daccouplements par mle. On regarde sil y a une corrlation entre la taille et le nombre daccouplement.
Mthode 2 : on constitue 3 groupes doiseaux. Groupe 1 = tmoin, on ne touche pas aux oiseaux Groupe 2 = on diminue la queue des oiseaux Groupe 3 = on allonge la queue des oiseaux avec les plumes. Ceci est une manipulation pour des besoins
dexprimentation. Si on arrive observer que les oiseaux sur lesquels on a allong les plumes ont plusieurs accouplements, alors les rsultats supportent lhypothse.
Avantages des corrlations Elles sont faciles raliser et imposent moins de travail que la planification ; Nul ne garantit que les changements opres pendant la manipulation na pas dautres effets On observe un phnomne biologique sans laltrer. Quest-ce qui arrive Les dans oiseaux cette sur
planification
dexprience ?
lesquels on a ajout des plumes deviennent lourds
page 26
Arguments pour la manipulation On vite le phnomne de la troisime variable : on dduit
faussement que le facteur A affecte B alors que cest C qui affecte la fois A et B. Par exemple, Fisher a fait observer ceci : est-ce que la cigarette entrane une maladie pulmonaire ? Il dit que ce nest pas vident. Il se pourrait que ce soit le stress qui entrane cette maladie. Il se trouve que les personnes stresses fument tout simplement beaucoup suite leur condition.
Rsum :
On
observe
une Cela peut tre d :
relation entre A et B (fig. 1).
A affecte B ou B A
100
Ou tout simplement au fait que

50 B
A C et B
0 20 40 A 60 80 100
affecte la fois
Chercher des exemples
On vite leffet retour : on observe une relation entre A et B. On ne
peut pas conclure que le facteur A influence B alors que cest la modification de B qui entrane le changement dans A. On suppose que la taille de loiseau influence laccouplement. Il se pourrait aussi que la modification de la taille qui affecte laccouplement. ( ?????)
page 27
Situations o les manipulations sont impossibles Dans les cas o les manipulations sont impossibles, on peut recourir une troisime voie, la modlisation mathmatique.
Rsum
Impossible de planifier une exprience sans au pralable une hypothse tester Sois sr que ton exprience donne lvidence la plus claire pour ou contre lhypothse Utiliser les mesures directes avec attention Les tudes corrlatives sont attrayantes pour leur simplicit ! Attention aux troisimes variables Les tudes manipulatives sont souvent complexes et sortent du cadre thique Ilnexiste pas dexprience parfaite mais une petite attention peut produire une bonne plutt que dune mauvaise
page 28
MODULE 3 Les Principes de lExprimentation
Ce chapitre donne trois principes fondamentaux de lexprimentation : les rptitions, la randomisation et le contrle des erreurs. Il explique comment ces pratiques sont utilises pour donner lexprimentateur toutes les chances de mettre en vidence et dexpliquer les effets qui constituent lObject de son travail. Pour y arriver, les thmes suivants sont abords :
Dans chaque exprience, si on tudie un groupe dindividus, chacun est diffrent de lautre. On dit quil y a une variabilit entre individus ou intra-groupe.
Pour mettre en vidence cette variabilit, il y a ncessit de prendre des mesures sur un certain nombre des sujets exprimentaux et non un seul. En dautres mots, on rpte les mesures.
La rptition exige que les mesures soient faites sur des sujets indpendants. Ce nest pas confondre avec les pseudo-rptitions qui elles, consistent prendre des mesures des sujets non indpendants.
page 29
La randomisation est la meilleure faon de contrler les variations alatoires.
Le bloking une autre manire de contrler les variations
Unit 1
Variation entre individus ou intra-groupe
Dans la vie de chaque jour, nous observons le phnomne de la variabilit entre les groupes :
les enfants dun mme ge ne sont pas de mme taille, les bactries dans une mme colonie nont pas le mme taux de croissance,
les diffrentes varits dune mme culture ne rpondent pas de la mme faon une attaque dinsectes,
etc.
Faisons appel au bon sens. Supposons que nous comparons le rendement dune nouvelle varit de haricot A celui dune autre varit B, bien connue, et que nous consdrons comme Tmoin. Nous installons les deux varits sur deux parcelles. A la recolte, le rendement de A est suprieur au rendement de B. On serait tent partir de cette pseudo-exprience proposer cette varit aux agriculteurs de la rgion.
page 30
Avant cela, on reprend la mme chose avec seulement la varit A. On la place sur les deux parcelles. Le rendement nest pas le mme. On ne peut pas dire que la varit A est meilleure quelle-mme.
Donc, il existe dautres facteurs qui influencent ce rendement. Est-ce que le sol est le mme dans les deux parcelles ? Est-ce que ces deux parcelles ont t sarcles de la mme facon ? La pse pour dtrminer le rendement a-telle t faite par la mme prsonne ? Tant des questions que suscite le fait que lon trouve des rendements diffrents pour une mme varit.
Le facteur qui intressait ltude ctait bien la varit. On sest pos la question de savoir sil y a un effet varit sur le rendement. On constate quil y a dautres effets qui nintressent pas lexprience.
Les causes de la variabilit sont diverses. On peut les rgrouper en causes gntiques et environnmentales.
Dans une exprience, on distingue les variations qui intressent lexprimentateur et les variations qui ne lintressent pas et qui sont des bruits ou des variations alatoires. La classification de ces variations est intimement lie lobjet de ltude.
Une exprimentation consiste sintresser quoi sont dues les variations observes dans une variable dpendante. Elle a pour but de rpondre la question de savoir quelle quantit de cette variation est due aux facteurs qui nous intresent et quelle est celle qui est due aux autres.
page 31
Dans
une
observation
ou
dans
une
exprience,
peu
importe,
lexprimentateur mesure la variation alatoire et essaie de rouver les voies et moyens pour enlever ou rduire les effets des variations alatoires. Cela claircit les effets des facteurs en tude.
Quand il existe dautres variations issues dautres facteurs en tude, on les comptabilise comme erreurs exprimentales. Il existe trois principes fondamentaux en exprimentation pour contrler cette erreur
exprimentale : la rptition, la Randomisation et autres mthodes de contrle.
Unit 2.
Rptitions
La variation rend insense ltude dune seule observation. Supposons que nous soyions intrsss ltude leffet du sexe sur la taille des hommes. Lhypothse peut snoncer :
Le sexe a un effet sur la taille
Pour tester cette hypothse, on peut se rferer soi mme et constater quon est de grande taille ou de petite taille que son pouse. Est-ce que cest seulement le sexe qui est la base de cette diffrence de taille ? Peut-tre pas. Lalimentation pendant lenfance ny est pour rien ? Mes parents ne sont-ils pas en gnral grands de taille (ou de petite taille) ? Il doit bien y avoir dautres raisons que le sexe qui expliquent la diffrence de taille entre un homme et une femme. Peut-on conclure partir de mon couple, puisque
page 32
je suis plus grand que ma femme que les hommes sont plus grands que les femmes ?
Le bon sens ne nous le permet pas. Il nous suggre plutt de prendre 10 hommes pris dans la rue et 10 femmes prises dans les mmes conditions. De mesurer leur taille. Si la diffrence de taille entre mon pouse et moi tait un fait du hasard, cela peut aussi arriver que les dix hommes choisis soient plus grands que les dix femmes. On admet difficilement que le hasard se prsente 10 fois. En dautres termes il est invraisemblable que seuls les hommes mangaient bien dans leur enfance et que toutes les femmes soient issues des familles o les personnes sont en gnral de petite taille. Ce fait ne semble pas tre d au hasard. Il devrait avoir une raison.
Si on fait ce choix au hasard sur 100 hommes et 100 femmes, alors le rsultat commence tre convaiquant. Comme si la confiance vient un peu de la repetition. Si on trouve la diffrence qui se maintient, alors on est presque sr quil y a un facteur qui fait que ca soit ainsi. Ce facteur dans ce cas, cest le sexe. Donc, plus on observe un phnomne, moins il a la chance dapparatre au hasard. Cest pour cela que toutes les statistiques sont bases sur les rptitions. Il est donc indispensable davoir des rptitions dun mme niveau de facteur (10 hommes, 10 femmes). prcision des estimateurs. Cela permet daugmenter la
La Biomtrie, par la statistique, renseigne que si lon a pris des mesures sur N individus et quon suppose que chaque observation est issue dune distribution Normale de variance
2,
alors
la
variance du groupe est
2
N
page 33
Encadr 1. Exemples de la variablit et la rptition La chenille mineuse des feuilles du cafier niche sur la face suprieure de la feuille. Imaginons un seul instant le monde sans variabilit ou sans variation alatoire. Dans cette condition, si dune part on observe une chenille qui vit en solitaire avec des ressources inteminables et dautre part les chenilles qui vivent en comptition, on constaterait que les chenilles solitaires ont poids lv, 6 mg et les autres 5 mg. On veut tester cette hypothse :
Le poids du papillon est influenc par la comptition
Dans le monde rl, la difrence des tailles est due plusieurs autres facteurs qui
F r q u e n c e 0 .4 0 .0 2 0 .1 0 .2 0 .3
changent dun papillon un autre. Par exemple, la qualite de la feuille colonise. Les effets des autres facteurs font que peu des papillons psent rellement 5 mg (6 mg). Certains sont plus lgers et on
Poids des papillons (mg)
Fig.1. Distribution des poids des papillons
va suposer quils ont mang sur des feuilles de mauvaise qualit, ou alors le taux dhumidit tait trs faible pour le dveloppement de la larve. Ces papillons vont merger avec un poids infrieur la moyenne espre. Dautres par contre tiennent ont des conditions tel que leur poids est suprieur 5 mg (6 mg). Dans le premier groupe, les valeurs ont une dviation par rapport 5 mg due aux autres facteurs.
page 34
Ceci donne lieu des courbes en cloche. Cette courbe est dite courbe de Gauss et la distribution est dite distribution normale (Fig.1).
0.20
Dfinition: La distribution
0.4
0.15
Normale ou Gaussinne note N(, 2 ) est une distribution continue dfinie
0.10
0.05
-4
-2
0 x
0.0
0.1
0.2
0.3
-4
-2
0 x
compltement par un paramtre de position la moyenne et un paramtre de
Fig. 2. = 2, = 0
Fig.3. = 1, = 0
dispersion 2 la variance. Plus les dviations sont grandes la courbe est large (fig. 2). Plus la dviation est petite, la courbe est troite.
Unit 3
Pseudo-rptitions
Nous avons vu que la pseudo-rptition nous aide nous metre en confiance par rapport aux conclusion tirer dans un chantillons donn. Elle permet ainsi de rveler les effets alatoires et ainsi de voir un peu plus clairement sur une configuration biologique. Mais cette rptition obit une rgle : les individus sur lesquels soprent la rptition doivent tre indpendants lun de lautre. Cela veut dire que chaque individu connat soit une petite dviation positive due la chance ou plutt ngative par rapport la valeur
page 35
relle qui malheureusement ne sera jamais connue. Si on observe toutes les rptitions, ces dviations finissent par sannuler. Et on reste avec la moyenne de lchantillon qui est proche de la moyenne de la population.
Techniquement, les statiticiens disent quil ny a pas de correlation entre les dviations des individus dans un groupe. Si on ne planifie pas lexprience correctement, cela risque de ne pas avoir lieu.
Dans les sciences de la vie, nous travaillons souvent avec un chantillon des sujets exprimentaux tirs dune population large. Pour tre indpendantes, une mesure prise sur un individu ne doit pas donner une information significative sur le facteur en tude sur un autre individu. Par exemple, supposons que lon teste lhypothse suivante :
Le sexe ratio des tortues tendent vers les femelles
Imaginons que lon tire 10 tortues dun mme nid et dterminons le sexe dune dentre elles. Si nous savons par la bibliographie que le fait que nous ayions tir un mle nous renseigne sur le sexe de celle qui suit, alors on dira que les 10 tortues ne sont pas des sujets indpendants. Lun de lautre par rapport au sexe.
Retournons lexemple de la taille de lhomme et de la femme. Plutt de slectionner 10 personnes, on fait plutt 10 mesures sur les deux pemiers. On a pourtant rpt. Est-ce que le rsultat obtenu nous permet-il de
page 36
conclure que la taille des hommes est plus grande que la taille des femmes ? La rponse est on. Car les donnes ne sont pas issues des individus
indpendants. Toutes les mesures faites sur un homme ou une femme sont affectes de la mme facon aux effets des autres facteurs. Les dviations sont toujours soit positives, soit ngatives par rapport la normale.
Les statisticiens disent que la dviation dune mesure de la taille est corrle avec la dviationdune autre mesure. . Si les mesures taient inndpendantes, la seule diffrence serait due seulement au sexe. Puisquil y a dautres facteurs qui diffrent de facon
Si on est intress par un possible effet de 2 facteurs B et C sur A mais les facteurs B et C sont lis tel que B influence C alors on ne peut plus justifier que A est affect par B seul ou par C seul ou par les deux facteurs. Puisque B et C sont confondus.
constante entre les rptitions de lhomme et de la femme, alors on ne peut pas dire quelles sont indpendantes. Les statisticiens disent que les diffrentes des sexes sont confondues avec dautres choses qui diffrent entre les deux individus spcifiques que nous mesurons.
Unit 4.
La Randomisation
Dautre part, laffectation des traitements aux niveaux de facteur doit se faire de manire alatoire. Cest ce qui garantit lindpendance des observations. Et cette indpendance est une condition remplir pour utilisation de la thorie de test dans certains cas. Le grand apport de la randomisation est de nous viter les biaia dans les rsultats.
page 37
Unit 5
Le Blocking
Supposons que nous avons tester si dans la taille des hommes, il y a un effet sexe. Un exprimentateur se dcide dchantillonner 100 personnes luniversit et 100 personnes lcole secondaire. Le bon sens nous renseigne que si nous prenons tous les garcons lcole secondaire et toutes les filles luniversit, ltude se soldera par la conclusion comme quoi, la taille des filles est plus grande que celle des garcons. Celui qui fera linverse, trouvera que les garcons ont une grande taille que les filles. Ils sont en proie lerreur dchantiloonnage. Mme celui qui fait un chantillonnage alatoire entre les deux niveaux dtude, risque de ne pas avoir de bons rsultats. Encore une fois, le bon sens nous guide analyser le mme phnomne sparement luniversit et lcole secondaire. On a fait le blocking. On a deux blocs. Et dans chacun des blocs, on effectue la randomisation comme on le ferait pour un dispositif compltement randomis.
Ceci arrive en beaucoup de circonstances en agronomie. Par exemple, on observe sur le terrain un gradient de fertilit : une partie du champ est trs verte et lautre moins verte. La partie verte est quivalente luniversit et la moins verte lcole secondaire. Cest pourquoi les manuels de statistiques proposent que lon oriente les blocs dans le sens perpendiculaire au gradient observ. De cette facon, les parcelles homognes (vertes ou moins vertes) se retrouvent dans un mme bloc.
Le blocking seffectue sur les caractres des individus, sur lespace ou sur le temps.
page 38
Rsum
Rduire les effets de variation alatoire permet de mettre en vidence leffet en tude Rpetition veut dire effectuer les mmes manipulations et predre des mesures sur diffrents individus La rpetition est une facon dliminer la variation entre individus d la variation alatoire Si les sujets ne sont pas indpendants on est en prsence dune pseudo rptition Randomisation signifie tout simplement tirer des chantillons alatoires dune population La randomisation peut permettre le contrle de la source de variation alatoire Peu de rptitions peut tre un dsastre
page 39
MODULE 4 Les dispositifs exprimentaux

Ce module suppose la connaissance des concepts de randomisation et de
rptition vus dans le module prcdent. Avec ce bagage, tu peux

maintenant aborder la notion de dispositif exprimental.
Une ide esentielle que je vais introduire ici est celle du groupe de contrle. Elle est utilise dans beaucoup dexpriences dans les sciences de la vie.
Le plus simple des dispositifs exprimentaux est le dispositif en randomisation ttale. Je lintroduis dans lunit 2.
Un dispositif en randomisation totale peut saverer de peu de performance dans le cas o les variations alatoires entre individus est trs grande. Si une variable introduit une variation significative non voulue tes rsultats, alors, il faut chercher contrler cette variation. On dira quon efectue un blocking sur cette variable. Les dispositifs avec blocs sont discuts dans lunit 3.
Les dispositifs apparis sont ceux o lon divise la population en deux et on effectue la randomisation travers ces diffrents groupes. Ils peuvent tre considrs comme des dispositifs blocs.
page 40
Dans les dispositifs intra-individus, les units exprimentales connaissent les diffrents traitements squentiellement. Les comparaisons sont faites sur les mmes individus des temps diffrents plutt quentre diffrents individus en mme temps. Ces dispositifs sont introduits dans lunit 4. Les dispositifs split-plot sont dclars comme la meilleure facon de traiter le cas de plus dun facteur. Ils sont traits en lunit 5.
Le dispositif que tu choisiras et les statistiques que tu utiliseras sont intimment lis. Rflchir sur les deux en mme temps prsente certains avantages. Je le fais dans lunit 6.
Unit 1
Les contrles
Supposons que vous dclarez un paysan que lutilisation de lengrais double son rendement. Vous lamenez prendre la dcision dinvestir dans lachat de lintrant. Aprs la saison, lagriculteur vient vous remercier en vous disant queffectivement, son rendement a doubl. Est-ce que cest lengrais qui a doubl le rendement ? On peut dire oui puisque ce nest pas seulement chez cet agriculteur que cela sest produit. On peut mme lexpliquer scientifiquement. Cependant il est difficile de prouver que dans le cas de cet agriculteur, cest lengrais qui a doubl son rendement. Car vous ne savez pas dire quel rendement il atteindrait sans pendre lengrais. En effet, on ne sait pas si cest tout simplement puisque lagriculteur a respect les dates de smi, de sarclage, ou dautres pratiques culturales. On dira alors que leffet de lapplication de lengrais na pas de rfrence ou de contrle.
page 41
Une exprience, pas toutes, rquiert un contrle. Nous allons le voir dans cet exemple. Soit lhypothse suivante :
Appliquer un engrais mes parcelles a pour effet, laugmentation du rendement. Pour tester cette hypothse, nous avons besoin de mesurer le rendement de la parcelle sur laquelle on applique lengrais. Cela nest pas suffisant car on ne sait pas le rendement de la
Un contrle est la rfrence laquelle le rsultat dune manipulation exprimentale est compar. On veut voir les effets dun traitement sur un groupe trait en comparaison au groupe de contrle.
parcelle o lon napplique pas lengrais. Nous avons besoin dun contrle. En dautres termes, nous avons besoin davoir deux parcelles de la mme culture dans les mmes conditions. Dans la premire nous appliquons lengrais et dans la seconde on napplique pas. On peut imaginer faire cette opration sur deux pots dune plante chacune. Et si une des plantes mourrait pendant lexprience ? Si on avait choisi une qui tait apparement vigoureuse et qui relement cachait ses faiblaisses gntique ? Pour viter le dsagrement, on prend une parcelle de plusieurs plantes quon suppose identiques. On dira quon a constitu un groupe de contrle et un groupe trait. Quand nous disons identiques, cela entrane aussi les conditions environnementales : ils sont arross de la mme facon, exposs au soleil mmement etc. Le groupe de contrle nous aide voir donc leffet de lengrais.
Cet exemple est celui dun contrle ngatif. On a aussi des cas o lon a un contrle positif. Soit lhypothse suivante :
page 42
Lutilisation du produit A produit, sur les poules malades donne de meilleurs rsultats que le produit B courament utilis. Dans ce cas, on mesure la disparition des symptmes de maladie sur le groupe des poules ayant recu le traitement A. Cependant, comparer le taux de disparition de maladie dans ce groupe celui dun groupe non trait ne nous permet pas datteindre lobjectif de lhypothse ci-dessus. Ce test serait la rponse lhypothse suivante :
Souvent, un groupe de contrle est celui sur lequel on napplique pas le traitement. On appelle ceci contrle ngatif. Cependant il y a des exprienceso le groupe de contrle est trai. On lappelle contrle positif. Si en evanche on utilise des donnes historiques comme contrle, alors le contrle est dit contrle historique
Le produit A a un effet bnfique sur la disparition de maladie, comparativement aux poules non traites.
Il y a donc nuance entre les deux hypothses. Dans la premire, on a besoin dun groupe qui a dj eu tre traite au produit B. Et non pas un groupe qui na jamais t trait.
Une exprience peut avoir les deux types de contrle : le positif et le ngatif. En effet, si nous pouvons avoir un contrle positif du traitement dune
page 43
population avec un nouveau produit ou avec un produit dj tabli, on peut dire lequel est meilleur Il est possible que les deux produits fassent effet et que lun soit moins bon que lautre. Cest l o lon peut introduire un troisime groupe, contrle ngatif cette fois l.
Il y a des moments o lon fait une exprience pour comparer les rsultats ceux de la littrature. On parlera du contrle historique par opposition au contrle courant. Souvent on recourt au contrle historique pour des raisons conomiques. Mais attention, cest une fausse conomie. Car ce quon conomise en argent, on le perd en efficacit de lexprience. Si non quest-ce qui prouve que ce contrle historique tait fait dans les mmes conditions de lexprience que lactuelle ?
Le contrle nest pas toujours important. Par exemple, si nous voulons tester les hypothses suivantes :
Laquelle des trois varits du haricot pousse mieux dans une condition donne ?
Comment la rgularit de lapprovisionnement en engrais liquide affecte la croissance dune plante ?
Unit 2
Dispositifs Factoriels
compltements randomiss et
page 44
Il y a un jargon spcifique lapprentissage des dispositifs exprimentaux. Supposons que tu veuilles tudier leffet dun fertilisant sur le rendement de la tomate. Ltude porte sur 5 taux de fertilisants a, b, c, d et e. Tu rptes 4 fois chaque traitement sur chaque varit. Cela veut dire que tu as 20 plantes. Tu dcides daffecter de manire alatoire les plantes aux 5 diffrents groupes correspondant aux 5 taux de fertilisant. Une facon de le faire est de gnrer laide dun ordinateur, les nombres alatoires de 1 5. On affecte donc chaque plante au numro qui est gnr. A cause du caractre alatoire, nous aurons des groupes qui auront 5 ou 3 plants. Essaie de le faire avec le logiciel R (5). Cest simple !
> plante=paste("Plante",1:20) > Traitement=LETTERS[runif(20, min=1,max=6)] > y=data.frame(plante,Traitement) > table(y$Traitement) ABCDE 54443
> y 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 plante Traitement Plante 1 E Plante 2 C Plante 3 D Plante 4 E Plante 5 A Plante 6 C Plante 7 B Plante 8 B Plante 9 D Plante 10 B Plante 11 C Plante 12 A Plante 13 D Plante 14 C Plante 15 A Plante 16 B Plante 17 D Plante 18 A Plante 19 E Plante 20 A
Pour de plus amples informations sur le logiciel R, voir un cours que jai crit l-dessus.
page 45
Dans le jargon statistique, on dit que lexprience est non quilibr. On utilisera ce genre de dispositif dans des circonstances trs rares. Car les tests statistiques habituels sont puissants dans le cas dun dispositif quilibr. Zut ! Tu feras tes expriences chez les paysans. Tu seras parfois utiliser les dispositifs non quilibrs.
Lobjectif dun dispositif quilibr est donc souhait. La meilleure facon dassigner les traitements aux plantes est dimposer la contrainte dans le nombre final dans chaque groupe. Pour y arriver, il faut prendre 20 papiers sur lesquels tu cris lesnumros de 20 plantes. Mettre dans un petit sac, mlanger et tirer les 4 premiers. On les affecte au traitement A. On tire les 4 suivants et on les affecte au traitement B. On tire les 4 suivants et on les affecte autraitement C. De mme pour D. Il restera dans le sac seulement 4 numros. On na pas de choix, ils sont affects au traitement E. On na la libert de choix que 4 fois sur 5. On dit que le degr de libert du traitement est (5-1). La simulation sur ordinateur, par le logiciel R est : > plante=paste("Plante",sample(1:20,20,repla ce=F)) > Traitement= rep(c("A","B","C","D","E"),c(4,4,4,4,4)) > y=data.frame(plante, Traitement) > table(y$ Traitement) ABCDE 44444
> y 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 plante Traitement Plante 11 A Plante 1 A Plante 17 A Plante 18 A Plante 5 B Plante 14 B Plante 19 B Plante 7 B Plante 8 C Plante 4 C Plante 9 C Plante 15 C Plante 20 D Plante 3 D Plante 12 D Plante 6 D Plante 16 E Plante 10 E Plante 2 E Plante 13 E
page 46
Ce nest donc pas tonant dapprendre que cette exprience est appele dispositif compltement randomis. Cest puisque les individus sont
assigns aux traitements compltement au hasard.

A la fin de lexprience tu observes la diffrence entre les traitements. Cette dcision est prise laide dun test t de Student sil y a deux traitements ou deux groupes dindividus et laide dun test de Fisher dans une Analyse de la variance dans le cas de plus de deux groupes (6).
Ce dispositif est le plus simple. On ne varie quun seul facteur, ici, le taux dengrais. On appelle donc cette exprience, dispositif un facteur. On a 5 traitements, les doses dengrais sont les niveaux du traitement. Le chercheur est fier de parler de son exprience en crivant : jai utilis le dispositif compltement randomis un facteurs de 5 niveaux et 4 rptitions par traitement. Pour impressionner plus, il dit : Mon exprience est quilibr vec 4 rptitions par traitement.
Supposons que lexprimentateur cherche voir simultanment les effets du feritilisant sur deux types de tomates, VAR1, VAR2 et VAR3. On rpte la mme chose que ci-dessus. Ce dispositif devient le dispositif deux facteurs. Si nous avons toutes les combinaisons des deux facteurs, alors on a un dispositif factoriel. Si on na pas toutes les combinaisons, le dispositif est
Attention ! lANOVA a t tendu au Modle Linaire Gnral et au Modle Linaire Gnralis. Pour en savoir plus, lire ma thse dans laquelle je discute le cas des donnes de comptage.
page 47
dit incomplet. Il faut viter au maximum des dispositifs incomplets. Leur analyse est souvent fastidieuse.
Nous arrivons avec les deux facteurs cidessus, avec 5 niveaux pour le premier facteur et 3 niveaux pour le second, 15
Un dispositif n facteurs est celui o lon tudie simultanment n facteurs.
combinaisons. Selon que nous aurons les mmes rptitions ou pas, le dispositif sera quilibr ou non. On peut donc imaginer comment on peut tendre lexprience trois, quatre facteurs. Cest bien pour limagination. Pour les expriences que vous aurez effectuer, il faut les considrer les plus simples possibles.
Une question mrite bien dtre pose. Pourquoi doit-on penser une exprience deux facteurs alors quil est plutt simple dorganiser une exprience deux ou
plusieurs facteurs ? Il y a deux raisons : 1. dabord, pour tester les effets principaux de chaque facteur, comme si on tait dans une exprience un facteur ;
Imaginons que nous cherchions montrer si le facteur A est influenc par deux autres facteurs B et C. Si la valeur de A est affecte par la valeur de B pour les valeurs de C constantes, alors on dit quil y a un effet principal du B. De mme, si la valeur de A est affecte par la valeur de C pour les valeurs de B constantes, alors on dit quil y a un effet principal du C. Si leffet de B sur A est affect par C ou si leffet de C sur A est affect par B, alors on dit quil y a une interaction entre B et C.
2. ensuite, puisque si on souhaite voir comment les deux facteurs interagissent. Cest ce quon appelle effet interaction.
page 48
Dans la pratique, il faut viter dimpliquer plusieurs facteurs la fois. Lexamen des interactions devient tout de suite trs fastudieux et les rsultats deviennent difficilement interprtables.
Fertilisant Exprience un facteur et deux niveaux du fertilisant. Cette exprience peut rpondre la question suivante : Est-ce que le fertilisants diffrent par leurs effets ?
Pesticide
Pas de pesticide A B Fertilisant Exprience deux facteurs avec 2 niveaux pour le pesticide Et 3 niveaux pour le fertilisant. Cette exprience peut rpondre aux questions suivantes : C
page 49
a. Est-ce que le fertilisants influence la croissance de la plante ? b. Est-ce que le pesticide influence la croissance de la plante ? c. Y a-t-il interaction entre les deux facteurs ?
Avantages et inconvenient des dispositifs exprimentaux compltement randomiss :
Ce
qui
est
attrayant
dans
un
dispositif
compltement randomis est sa simplicit. Les tests statistiques sont aussi simples dutilisation et sont robustes par rapport la taille des chantillons et des donnes manquantes.
Les statistiques utilises dans le cas des dispositifs exprimentaux compltement randomiss sont : Le test t de Student, Lanova,.
Ce qui fait que ce dispositif ne soit pas souvent utilis en agronomie est quil compare les variations entre les individus exprimentaux. Dans ces conditions, les variations alatoires peuvent tre gnantes dans la discrimiation des groupes ou dans letest de leffet en tude. Lune des solutions pour esquiver ce problme est daugmenter le nombre des rptitions. Ceci ne semble pas souvent la meilleure solution. Car premirement il exige laugmentation du matriel exprimental. Ceci peut avoir des consquences conomiques et aussi ethique (pour ceux qui font des expriences sur les animaux). Deuximement, plus les parcelles sont grandes, plus il y a lhtrognit devient manifeste. En effet, dune part il y a htrognit du milieu et dautre part due au fait que plusieurs
page 50
personnes doivent collecter les donnes. La grandeur de lexprence peut mme exiger que lon localise les rptitions des endroits diffrents. On le choisit aussi si on prssent que lexprience peut se solder par la perte de plusieurs donnes.
En conclusion, si la variation entre individus est petite, le dispositif compltement randomis est rs efficace. Cest le cas des expriences menes au laboratoire.
Unit 3
Les Dispositifs en Blocs Compltement Randomiss
Le bloc, cest un ensemble de parcelles voisines ou pas, de forme rgulire ou pas, soumises aux mmes conditions exprimentales et caractrises par une erreur intra-bloc trs faible et une erreur interbloc trs grande. Lafectation des traitements aux parcelles se fait au hasard dans les blocs. Les blocs seront toujours orients dans la direction perpendiculaire au gradient observ.
Trait.6 Trait.3 Trait.8 Trait.4 Trait.1 Trait.7 Trait.2
page 51
Soit un dispositif qui a 8 units exprimentales et 4 blocs.
Trait.5 Bloc 1
Trait.2 Bloc 2
Trait.3 Bloc 3
Trait.4 Bloc 4
Gradient
> Bloc1=paste("Trait.",sample(1:8,8,replace=F)) > Bloc2=paste("Trait.",sample(1:8,8,replace=F)) > Bloc3=paste("Trait.",sample(1:8,8,replace=F)) > Bloc4=paste("Trait.",sample(1:8,8,replace=F)) > data.frame(Bloc1,Bloc2,Bloc3,Bloc4)
Ce qui est attrayant dans ce type de dispositif, cest
avant tout la diminution de la variation entre individus. De cette facon, leffet tudi est facilement rvel.
Linconvenient est que souvent on choisit une variable de discrimination entre les blocs quilui mme a une influence sur la variable mesure.
Les expriences apparies peuvent tre prsentes comme des expriences en bloc.
Unit 4
Dispositifs intra-individus
Les expriences discutes dans les paragraphes prcdents consistaient comparer les individus de diffrents individus de diffrents groupes avec chaque groupe assign un traitement. Certains auteurs appellent ce dispositifs, les dispositifs entre-groupes ou inter-individus ou dispositifs avec mesures indpendantes. Lalternative, ce sont les dispositifs intra-individus dans lequel un individu subit diffrents traitements squentiellement et la comparaison se fait entre les les mesures sur le mme individu soumis diffrents traitements. Cette pratique limine beaucoup de problmes des dispositifs entre-groupes avec bruit. Elle prsente linconvenient davoir un problme dordre deffet de
page 52
reversibilit et celui du carry-over . En effet, prendre une mesure une fois sans traitement et une fois avec traitement est diffrent de le faire dans le sens inverse. La reversibilit quant elle marche quand lexprience nest pas destructive. Car si cest possible, lexprience dans le sens inverse devient impossible. En dautres termes, lexprience est impossible si lon ne peut pas retrouver lindividu dans son tat initial aprs avoir appliqu le traitement. Il y a aussi le dsavantage de ne pas tre applicable dans le cas de carry-over effect . En dautres termes, dans le cas o leffet persiste longtemps aprs lapplication du traitement.
Attention, une mesure repte sur un mme individu avec une bonne planification nest pas une pseudo rptition. On peut prendre comme exemple de 20 poules dont on veut tudier la ponte en fonction des alimentations A et B. Pour chaque poulet, on effectue la mesure deux fois. Une fois avec A et une prochaine fois avec B. On a pour chaque poule deux mesures prises dans des conditions diffrentes. En revanche, si on avait 10 poules soumises A et 10 autres B, et que lon comptait deux fois le nombre dufs pour chaque poule, on dirait que il sagissait dune pseudorptition.
Avec multiples traitements, les expriencesintra-individus sont longues.
page 53
Unit 5
Dispositif Split-Plot
On veut tudier leffet de deux facteurs : le type de labour (3 niveaux) et leffet dun pesticide (3 niveaux). Il y a donc 3x3 = 9 combinaisons
possibles de ces facteurs. On veut effectuer lexprience 4 rptitions. Soient 36 parcelles. On affecte les 9 traitements `de facon alatoire 4 rptitions.
C2 C3 A1
B2 A2 B1
B3
A1
C2
A1
C2
A1
C2
Soit le mme nombre de traitement et le mme nombre des parcelles. On sintresse dabord au premier facteur. On laffecte de facon alatoire dans les parcelles principales. Au sein des parcelles principales, on affecte de facon aleatoire le deuxime facteur.
page 54
A2 C2 B2
B2 A2 C2
A3 A3 B3
C3 B3 C3
B2 C2 A2
C2 A2 B2
B1 A1 C1
B1 A1 C1
C3 A3 B3
B3 C3 A3
C1 B1 A1
A1 B1 C1
Unit 6
A propos des statistiques
Dans toute tude, le dispositif exprimental que tu choisis et les statistiques que tu utilises pour analyser tes donnes sont lies. Il faut imprativement reflchir sur les statistiques utiliser avant de collecter les donnes.
Rsum
Plusieurs expriences exigent un groupe de contrle Dispositifs quilibrs sont souhaits Dispositifs multi dimensionnelles offrent lopprtunit de ltude de linteraction Dispositifs en randomisatio complte ne sont pas trs performants quand la variabilit inter individus est trs grande Si on suspecte une variable qui introduit une variabilit alors on fait le blocking sur elle Rflechir sur les statistiques utiliser avant de collecter les donnes
page 55
MODULE 5 Prise des mesures et autres reflexions
Unit 1
Calibrations, prcisions et Variabilits inter et intra observateurs
La calibration dun instrument de mesure est effectue en mesurant un objet dont on connat la mesure.
Tout instrument de mesure contribue deux formes derreurs : lerreur systmatique lie linexactitude (inaccurency) de lappareil et lerreur alatoire associe son imprecision.
En calibrant lappareil, on augmente son exactitude, on se dbarasse de son erreur systmatique.
Un mme observateur, dans le temps, peut prendre des mesures diffrentes sur un mme objet. De mme, plusieurs observateurs qui mesurent le mme objet peuvent donner des mesures diffrentes.
page 56
Unit 3
Dfinition des catgories, effets des Observation et Enregistrement des donnes
Les catgories dun facteur doivent tre telles que laffectation des individus ces catgories se fasse de facon non quivoque.
Dans certains cas, les observateurs peuvent avoir un effet sur une exprience. Par exemple, la prise de temprature dune souris peut avoir un effet hormonal qui entrane son tout le changement de temprature de la bte.
Il y a certaines rgles suivre pour efectuer des enregistrements des donnes.
La premire est de ne pas enregistrer plusieurs informations la fois. La deuxime est dviter les codes. Il est facile de diffrencier DELTA et BRAVO plutt que D et B.
La troisime est de sauvegarder les donnes en plusieurs copies. La quatrime est de tenir un carnet de champ dtaill La cinquime est de ne pas se submerger des travaux.
Dans les chapitres prcedents, nous avons prsent les outils de base ncessaires la planification dune exprience sensible et informative et qui a pour but la generation des donnes en vue de la rponse une question scientifique. En utilisant ces outils, on vite diffrents types derreurs qui
page 57
arrivent souvent en exprimentation. On est apte aussi dfendre le travail contre toute attaque. On peut aussi tre capable de juger le travail des autres.
Dans ce dernier chapitre, on fait mention des cas spciaux qui arrivent en certains moments dans la carrire. On ne les traitera pas en dtail. Ils serviront attirer lattention du lecteur pour consulter les livres spcialiss.
Unit 4
Comment slectionner les niveaux des traitements et comment faire le Souschantillonnage ?
Supposons quon veuille connatre leffet dun fertilisant sur le taux de croissance des plantes daubergine. On a 30 plantes en tude. Comment affecter ces plantes aux diffrents traitements du fertilisant ?
Un cas extrme consiste choisir le niveau suprieur extrme que lon peut imaginer. Disons 30g) et le niveau le plus bas (0 g). et on lance une exprience avec 15 plantes par traitement.
Un exemple intermdiauire consiste choisir des niveaux intermdiaires dun pas de 1 g. On aura donc les niveaux 0 g, 1 g, 2 g, , 29 g. Dans ce cas, on aura une plante par traitement. On peut aussi choisir le pas de 2 grammes. Il y a donc plusieurs facons dy arriver. Quest ce qui guide un bon choix ?
Le bon choix dpend dune bonne connaissance de la biologie du problme.
page 58
Rsum
Le dispositif doit spcifier comment les donnes doivent tre collectes
Sois prt dfendre ton travail contre toute accusation sur le biais d lobservateur
page 59
MODULE 7
Etapes dune experience
Etape 1. Prliminaires : Tout commence par
la formulation de la
question de recherche. A partir delles sont labores les hypothses do dcoulent les prdictions sous forme des modles. Si les modles ne sont pas conformes aux hypothses alors il faut les rformuler. Si par bonheur le modle est en accord avec les hypothses, alors il faut le tester. Si le test nest pas positif, il vaut mieux retourner au modle et le retoucher. Si oui, et si chaque prdiction est un test possible de lhypothse alors on peut passer ltape suivante celle de la structuration ou des grands choix.
Etape 2. Structure : Quelle stratgie adopter ? Une observation passive correlative ou une observation avec manipulation des individus ?
Considrons le premier cas o lon dcide de faire une observation correlative. A-t-on rflechi sur les effets inverse et la troisime variable ?. Si non, refaire le choix. Si oui, alors il faut voir si on a besoin dun contrle et si on en a chisi des bons. Si ce niveau lexprience pose un problme thique, alors il faut recommencer le choix. Le deuxime cas est celui dune exprience avec manipulation des individus. Sil savre que pour diverses raisons lexprience nest pas ralisable ou ne peut pas produire une manipulation biologique raliste, alors il faut refaire le choix. Si en revanche les manipulations prvues sont ralisables, il faut se demander si on a besoin dun contrle et si on en a slection de bon. Si les problmes thiques nexistent pas non plus alors on peut procder aux mesures.
page 60
Etape 3. Mesures : Premirement, il faut dcider quelles donnes collectes. Puis slectionner un dispositif exprimental et lanalyse statistique associ. Si lon ne peut pas lier chaque rsultat de lanalyse lhypothse originale, il faut retourner carrment aux prliminaires. Si non on selctionne un nombre des rptitions. Est-ce que ce nombre est pratique ? Si non, on prend un autre. Si oui, on se demande sil y a un pronlme thique. Si oui, il faut recommencer la structure. Si non, on se pose la question si les chantillons sont vraiment indpendants, Si non, on refait la structure et si oui, on se pose la question si les donnes sont fiables. Aprs on passe aux derniers contrles.
Etape 4. Contrle final. Cette tape consiste reflechir sur les aspects thiques de lexprience. Si on nest pas en accord avec lthique, il faut refaire la structure de lexprience. Si tout est en ordre, alors il faut se poser la question si tout le monde peut dritiquer votre exprience. Si non, il faut retourner aux prliminares. Si oui, alors cest bien. Sil y a des doutes, investir 30 minutes pour parler de votre dispositif une autre personne Si cest ok, commencer alors lexprience.
page 61
Questions de rflexion
1. Pourquoi une bonne planification dune exprience est bonne pour la survie du chercheur ? 2. Citez quelques objectifs quun chercheur peut poursuivre chez le paysan 3. Que peut constituer un contrle chez le paysan au cas o on lui amne une innovation issue dune exprience en station ? 4. Quelle option pensez-vous quil faut favoriser chez le paysan par rapport la conduite des essais ? Par rapport linstallation de lessai tout comme par rapport la collecte des donnes. Imaginez les cas suivants : a. Le chercheur planifie, le chercheur excute b. Le chercheur planifie, le paysan excute c. Les deux planifient, le chercheur execute d. Les deux planifient, le paysan excute e. Les deux planifient, les deux excutent
5. Que proposez-vous et cherchez des exemples simples a. Que le dgr de management de lessai par le paysan soit minimis b. Que le dgr de management de lessai par le paysan soit maximis 6. Imaginez une exprience o lobjectif est dtudier le systme du paysan et ses pratiques culturales 7. Donnez quelques lments qui constituent la diffrence entre essais en station et esais chez les paysans. Est-ce que les variables qui ne
page 62
constituent pas les traitements sont appliqus de facon uniforme ? As-t-on la possibilit de choisir des terrains uniformes ? de fixer une date fixe de plantation ? de fixer la densit de plantation ? de sarcler de la mme facon et au mme moment ? 8. Le principe tout restant gal par ailleurs nest-il pas source de conflit entre chercheur et paysan ? 9. Un vrai essai chez le paysan exige : a. Que le terrain soit choisi par le paysan, b. Que la plantation soit faite selon sa convenance c. Que la gestion de lessai soit faite selon ses habitudes, Comment peut-on orienter lessai pour ltudier selon les normes de lart 10. Puisquil apparat que lon doit laisser travailler le paysan dans ses conditions, quel est alors le critre de choix du paysan par rapport la reprsentativit de ses pratiques dans la rgion ? Doit-on tenir compte de son appartenance socio-conomique ? 11. Montrer que la slection dun paysan aux pratiques reprsentatives de la rgion ncessite une enqute informelle 12. Dans une population des paysans, il y a une variabilit la fois au niveau des conditions physiques des sites et des pratiques de gestion de champ. Comment prendre en compte cette variabilit pour mener une exprimentation sur une technologie particulire ? Discuter un exemple 13. La problmatique du choix du champ par rapport la reprsentativit dans la rgion dtude est aussi voquer. 14. Montrer que le choix des traitements est intimement li lobjectif de ltude et se fait aprs que lquipe ait formul explicitement les
page 63
hypothses pour chaque essai. Motiver lassociation du paysan ce processus 15. Une exprience consiste proposer une varit rsistante une maladie aux paysans. La bibliographie renseigne que cette varit est rsistante pour autant que la plantation se fasse tardivement. Les hypothses possibles sont : a. La plantation de la varit rsistante en lieu et place de la varit locale va entraner une augmentation sensible de rendement de mas dans la rgion. Discuter. b. Les paysans vont accepter la varit si la premire hypothse est accepte et que lassociation des cultures nest pas hypothque. Discuter tout cela en sachant que les amliorateurs font accompagner leur technologies avec une autre battrie de technologie 16. Considrer un objectif et formuler des hypothses
page 64
Bibliographie
Scheiner S.M., Gurevitch J. 2001, Design and analysis of ecological experiments, Oxford University press, USA, 451 p. Day and Quinn, 1989, Comparisons of treatments after an analysis of variance in ecology. Ecological Monographs 59;433-463. Gaines and Rice, 1990, Analysis of biological data when there are ordered expectations. American naturalists 135:310-317 James and McCulloch, 1990, Multivariate analysis in ecology and systematics: panacea or Pandoras box ? annual Review of ecology ans systematics 21:129-166 Fowler N., 1990, The 10 most common statistical errors. Bulletin of the ecological society of america 71:161-164. Ruxton G.D. , Colegrave N. 2006, Experimental design for the life science, Sd ed. Oxford university press, 162 p. Ruxton G.D. , Colegrave N. 2003, Experimental design for the life science, 1sted. Oxford university press, .

(B&I) 03 01 Lecture Dispositifs Experimentauxen Milieu Non Controle

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

(B&I) 03 01 Lecture Dispositifs Experimentauxen Milieu Non Controle

Hochgeladen von

Copyright:

Verfügbare Formate

Universit de Kinshasa Facult des Sciences Agronomiques DEA Phytotechnie

Dispositifs Exprimentaux en Milieu Non Contrl

Dispositifs Exprimentaux en milieu non contrl

Roger KIZUNGU Vumilia 2007

Dispositifs Exprimentaux en milieu non contrl

Table des matires

MODULE 1 Unit 1 Unit 2 Unit 3 MODULE 2 Unit 1

Roger KIZUNGU Vumilia 2007

Dispositifs Exprimentaux en milieu non contrl

Roger KIZUNGU Vumilia 2007

Dispositifs Exprimentaux en milieu non contrl

Scientifique 5 Diffusion 3 Exprimentation

Roger KIZUNGU Vumilia 2007

Dispositifs Exprimentaux en milieu non contrl

Roger KIZUNGU Vumilia 2007

Dispositifs Exprimentaux en milieu non contrl

Roger KIZUNGU Vumilia 2007

Dispositifs Exprimentaux en milieu non contrl

Roger KIZUNGU Vumilia 2007

Dispositifs Exprimentaux en milieu non contrl

Roger KIZUNGU Vumilia 2007

Dispositifs Exprimentaux en milieu non contrl

MODULE 1 Pourquoi planifier une Exprience en agronomie ?

Roger KIZUNGU Vumilia 2007

Dispositifs Exprimentaux en milieu non contrl

Roger KIZUNGU Vumilia 2007

Dispositifs Exprimentaux en milieu non contrl

Roger KIZUNGU Vumilia 2007

Dispositifs Exprimentaux en milieu non contrl

Unit 1. Mythes autour de la planification dune exprience

texte quand ils y voient associs les termes et

Roger KIZUNGU Vumilia 2007

Dispositifs Exprimentaux en milieu non contrl

Roger KIZUNGU Vumilia 2007

Dispositifs Exprimentaux en milieu non contrl

Roger KIZUNGU Vumilia 2007

Dispositifs Exprimentaux en milieu non contrl

Unit 2 Le prix dune exprience non planifie et non budgtise

. Cest un moyen pour acqurir une confiance en ses donnes et tre sr

Roger KIZUNGU Vumilia 2007

Dispositifs Exprimentaux en milieu non contrl

largent et lnergie. Symtriquement, quand le chercheur trouve

Roger KIZUNGU Vumilia 2007

Dispositifs Exprimentaux en milieu non contrl

Unit 3 La planification de lessai dans un univers alatoire

Roger KIZUNGU Vumilia 2007

Dispositifs Exprimentaux en milieu non contrl

Roger KIZUNGU Vumilia 2007

Dispositifs Exprimentaux en milieu non contrl

Roger KIZUNGU Vumilia 2007

Dispositifs Exprimentaux en milieu non contrl

MODULE 2 Toujours commencer par des hypothses bien dfinies

Une bonne planification a pour finalit de produire un test puissant de lhypothse.

Roger KIZUNGU Vumilia 2007

Dispositifs Exprimentaux en milieu non contrl

Prdiction : Les souches diffrentes affectent diffremment la plante.

Roger KIZUNGU Vumilia 2007

Dispositifs Exprimentaux en milieu non contrl

Do une prcision simpose dans la

Roger KIZUNGU Vumilia 2007

Dispositifs Exprimentaux en milieu non contrl

Importance e la bibliographie et des donnes disponibles

La bibliographie trouve ici son importance car :