Cas des données cinétiques :
Il faut transformer les données en paramètres d’intérêts (par exemple absorbance maximale). On va soit ajuster soit
lisser les cinétiques étudier sur un modèle pour obtenir ces paramètres.
Fitting versus smoothing :
Le lissage (smoothing) va réduire la distance entre les points successifs pour
lisser la courbe. La force du lissage dépend de l’expérimentateur. Il ne faut
pas que le lissage soit trop fort pour coller aux données.
L’ajustement sur modèle (fitting) nécessite un modèle qui colle aux courbes. Si le modèle est bon, l’ajustement peut
être pertinent même sur un nombre de valeurs limité. Il est possible d’ajuster des modèles par portions (morceaux).
La variabilité :
Les plans d’expériences cherchent à minimiser la variabilité non contrôlée (bruit de fond). C’est un phénomène
naturel qui ne peut être supprimé, mais il faut le prendre en compte pour seulement considérer la variabilité liée aux
facteurs qui nous intéressent.
Une mesure peut être juste et/ou répétable. Si elle est répétable elle fournit des résultats similaires dans des
conditions précises. Une méthode est reproductible si elle fournit des résultats similaires dans plusieurs conditions
opératoires. On peut parler de mesures directes ou indirectes.
Le plan d’expérience :
Les effets de bords/de position :
La température n’est pas homogène partout, la croissance dépend
plus de la position que de ce qui est dans le puit.
Les effets blocs aléatoires
Si on a une expérience qui demande deux plaques, une entière
pour un milieu et la deuxième pour un autre milieu, il ne faut pas
faire un milieu par plaque. Il faut randomiser.
Les effets blocs avec dérive
Lorsqu’une expérience demande des répétitions qui se font dans la durée, il peut y avoir une dérive à cause d’un
antibiotique qui se dégrade au cours du temps et donc les souches poussent mieux, ou alors des différences
d’humidité ou de température en fonction du jour de manipulation…
Il existe des méthodes de correction s’il y a une dérive. L’effet bloc peut être pris en compte par l’ANOVA pour ne
pas être confondu avec un facteur d’intérêt.
Il faut qu’il y ait une adéquation entre le plan qui est proposé et la méthode utilisé. Sinon, on peut avoir une
méthode qui est efficace mais ne jamais trouver de résultats significatifs. Il faut aussi choisir le nombre de
répétitions qui est utile. Pas la peine d’en faire trop si ce n’est pas nécessaire.
Plan factoriel complet et explosion combinatoire :
On veut tester l’impact de 17 composés sur la croissance d’une levure. Si on veut prendre trois valeurs par composé,
il faut faire 129 140 163 essais : explosion combinatoire. Il existe des méthodes pour réduire le nombre d’essais :
Matrices de Hadamard : plan d’expériences sans interactions, 2 modalités par facteur.
Plan factoriel 2k fractionnaire : k facteurs étudiés avec 2 modalités, interactions calculées.
Plans de Tagushi : 2 modalités mais sans les interactions.