Introduction aux plans dexpériences P. Lambert Daprès J.-M. Fuerbringer, Design of Experiments, Mai 2006.

Slides:



Advertisements
Présentations similaires
Reconstitution de l’état d’un micro drone par fusion de données
Advertisements

Résolution Graphique d'un Programme Linéaire
Corrélation Position du problème Définition covariance (X,Y) r =
Gestion de portefeuille
Gestion de portefeuille
3. Variantes de l’algorithme
La microbiologie prévisionnelle
Modèle des jeux et des mécanismes
1 Modèles Economiques en Informatique Michel de Rougemont Université Paris II.
C1 Bio-statistiques F. KOHLER
Unité #2 Analyse numérique matricielle Giansalvo EXIN Cirrincione.
1. Représentation du mouvement dans le plan - image
A Pyramid Approach to Subpixel Registration Based on Intensity
Corrélations et ajustements linéaires.
Analyse de la variance à un facteur
Chapitre 2 Les indices.
PROGRAMME PERSONNALISE DE REUSSITE EDUCATIVE Circonscription de LOUDEAC Novembre 2006.
Système coopératif pour l'aide à la conduite

Statistiques Séance 9 – 6 décembre 2005 N. Yamaguchi.
Etude longitudinale d’essais multilocaux: apports du modèle mixte
Régression linéaire simple
Plan d’expérience dynamique pour la maximisation
L’Analyse de Variance 2 L’ANOVA 2 fixe à r répétitions
Corrélation et régression linéaire simple
Ajustements c2 non-linéaires
La méthodologie expérimentale Fondements et bases d’application
Représentation des systèmes dynamiques dans l’espace d’état
Représentation des systèmes dynamiques dans l’espace d’état
Programmation linéaire en nombres entiers : la méthode du simplexe
La corrélation et la régression multiple
La méthodologie expérimentale Fondements et bases d’application
La méthodologie expérimentale Fondements et bases d’application
Simulation numérique des problèmes d’acoustique et de vibroacoustique:
Laboratoire de Mécanique Appliquée et d’analyse de Fiabilité
PROGRAMMATION SCIENTIFIQUE EN C
PIF-6003 Sujets spéciaux en informatique I
PROGRAMMATION SCIENTIFIQUE EN C PRO Approximation de fonctions et régression u Introduction –Analyse de la corrélation –Régression et méthode des.
Régression linéaire (STT-2400)
STT-3220 Méthodes de prévision
La régression multiple
Régression linéaire (STT-2400)
MAXIMISER les RESULTATS
Présentation de la méthode des Eléments Finis
DEA Perception et Traitement de l’Information
Le Partage Minimisant Maths à modeler
La régression simple Michel Tenenhaus
LA REGRESSION LINEAIRE
Régulation de débit pour MPEG-4 SVC
Laboratoire III: “Finite impulse response (FIR)”, normalisation & analyse de groupe Jean-Sébastien Provost, Ph.D Centre de Recherche, Institut Universitaire.
M2 Sciences des Procédés - Sciences des Aliments
Séance 8 30 novembre 2005 N. Yamaguchi
Probabilités et Statistiques Année 2010/2011
Un exemple d’ANOVA Pour étudier l'influence du milieu sur la DL50 de daphnies (heure), on a mesuré cette durée de vie pour deux clones de daphnies en fonction.
On souhaite analyser les concentrations de mercure (ppm) dans les chaires de poissons carnivores des lacs de l'est de Etats- Unis. On espère trouver une.
Chapitre 1 - Introduction.
Fabienne BUSSAC FONCTIONS LINEAIRES – PROPORTIONNALITE
Outils d’analyse: la méthode des moindres carrées
BIO 4518: Biostatistiques appliquées Les 11 et 18 octobre 2005 Laboratoire 4 et 5 ANOVA à critères multiples.
Présenté par Amine Ghozlane Internship 05 march 2008 Skjaerven L., Jonassen I. et Reuter N. Juillet 2007 – Bioinformatics and
Méthode des moindres carrés (1)
Test de signification d’une ANOVA à deux critères de classification: sans réplication, modèle I, plan factoriel Tester CMeffet sur CMerreur... … mais,
Analyse des données. Plan Lien entre les statistiques et l’analyse des données Propagation des erreurs Ajustement de fonctions.
PROGRAMMATION SCIENTIFIQUE EN C PRO Approximation de fonctions et régression u Approximation linéaire –Méthode du moindre carré u Exemple.
REPRESENTATION GRAPHIQUE
Lectures Volume du cours: Sections 12.1 à 12.6 inclusivement.
Formation Black Belt Lean Six Sigma
Gestion de portefeuille Chapitre 5: Portefeuille efficient au sens de Markovitz.
Biostatistique pour le troisième cycle P. Leroy, F. Farnir 2013.
Transcription de la présentation:

Introduction aux plans dexpériences P. Lambert Daprès J.-M. Fuerbringer, Design of Experiments, Mai 2006

BEAMS Aperçu Exemple de départ Méthodologie des plans dexpériences – Plans factoriels Exemple du vélo Fiabilité des résultats

BEAMS Exemple de départ EnoncéPlan dexpériences élémentaire et son codage

BEAMS Exemple de départ Plan dexpériences optimal et son codage Poids deau placé à gauche pour équilibrer les plateaux Poids de tarage Poids de lobjet 1 (jaune)

BEAMS Exemple de départ Plan dexpériences optimal et son codage X

BEAMS Exemple de départ Plan dexpériences optimal et son codage X

BEAMS Exemple de départ Espace expérimental

BEAMS Exemple de départ Comment choisir un plan efficace? Comment évaluer un plan a priori? Comment obtenir les coefficients dun modèle?

BEAMS Aperçu Exemple de départ Méthodologie des plans dexpériences – Plans factoriels Exemple du vélo Fiabilité des résultats

BEAMS Système et Modèle Model Factors (X) Responses (Y)

BEAMS Modèle linéaire sans interaction Exemple dun modèle à 3 paramètres: Effets –a 0, effet constant –a i, demi-effet principal –ε, résidu (mesure de lerreur entre le modèle et le système)

BEAMS Modèle linéaire sans interaction Répétition dexpériences: x ij =valeur du paramètre i dans lexpérience j Y(i)=réponse du système dans lexpérience i Formulation matricielle:

BEAMS Modèle linéaire avec interactions Exemple dun modèle à 3 paramètres: Effets –a 0, effet constant –a i, demi-effet principal –a ij, demi-effet dinteraction dordre 1 –a ijk, demi-effet dinteraction dordre 2 –ε, résidu (mesure de lerreur entre le modèle et le système)

BEAMS Méthodologie Choix du modèle Matrice du modèle X Evaluation de X Mesures Y Détermination de la matrice des coefficients A Itération

BEAMS Evaluation du modèle Matrice dinformation Matrice de dispersion Matrice de corrélation Critères dévaluation –A: Trace de la matrice de dispersion (à minimiser) –D: Déterminant de la matrice de dispersion (v ij ) = (X'X) -1

BEAMS Evaluation du modèle Illustration

BEAMS Evaluation du modèle

BEAMS Détermination des coefficients

BEAMS Méthodologie Choix du modèle Matrice du modèle X Evaluation de X Mesures Y Détermination de la matrice des coefficients A Itération

BEAMS Aperçu Exemple de départ Méthodologie des plans dexpériences – Plans factoriels Exemple du vélo Fiabilité des résultats

BEAMS Exemple du vélo On cherche linfluence de 3 paramètres sur le temps de parcours: –Hauteur de selle –Régime alimentaire –Dérailleur Modèle avec interactions

BEAMS Plan factoriel

BEAMS Matrice du modèle, X

BEAMS Résultats et traitement

BEAMS Analyse a 1 a 2 a 3 a 12 a 13 a 23 a 123

BEAMS Aperçu Exemple de départ Méthodologie des plans dexpériences – Plans factoriels Exemple du vélo Fiabilité des résultats –Seuillage –Anova –Normal Plot –Moindres carrés (Least Squares)

BEAMS Signifiance dun effet Seuillage a 1 a 2 a 3 a 12 a 13 a 23 a 123

BEAMS Signifiance dun effet Anova

BEAMS Signifiance dun effet Normal plot

BEAMS Signifiance dun effet Normal plot

BEAMS Références Lectures conseillées –J.-M Fuerbringer, –Box, Statistics for Experimenters, Wiley, 2005 –Baléo et Al., Méthodologie expérimentale, Editions Tec et Doc de lécole des mines de Nantes