Techniques des plans

d'expériences
Réalisé par : Addar fatima zahra
2023-2024 FSK

1
Objectif
Stratégie de recherche pour répondre à un certain nombre
de questions :
• Comment sélectionner les expériences à faire ?
• Quelle est la meilleure stratégie pour :
 Conduire le plus rapidement possible aux résultats espérés ?
 Eviter des expériences inutiles ?
 Minimiser le nombre d’expériences (coût)?
 Apporter une bonne précision ?
 Interpréter les résultats des expériences?
 Modéliser et optimiser des phénomènes étudiés ?

2
Introduction
• C’est quoi une expérience

• Une expérience est une intervention volontaire dans un

système en fonctionnement pour mesurer les effets de
cette intervention. Seule l'expérience est capable
d'apporter des renseignements sur les relations de cause
à effets.
3
Introduction
• Pourquoi un plan expérimental ?

• L'expérimentation coûte cher, il faut avoir pour objectif d'obtenir

les informations les plus fiables et les plus efficaces possibles en
un minimum d'essais :

• l'expérimentation doit être optimisée

• Nécessité d'une recherche expérimentale bien planifiée

4
Introduction
• Un plan d ’expériences

• Un plan d ’expériences efficace se propose donc de faire varier

plusieurs facteurs à la fois selon des règles d’organisation précises
et rigoureuses : les plans que nous allons étudier sont multi
factoriels et sont appelés habituellement plans factoriels.

5
Le monde est multifactoriel/ multivarié
• Le fonctionnement d’un
organisme vivant

• La réactivité des composés

chimiques

• Le comportement physique
d’un matériaux

6
Le monde est multifactoriel/ multivarié
 Il y a aussi plusieurs réponses

• Plante : croissance, production de fruits / feuilles ,

enracinement,
• Réaction chimique : vitesse de réaction, rendement
• Pneu : adhérence, usure, élasticité,

7
Le monde est multifactoriel/ multivarié
• Schéma général de la problématique

8
Un peu de vocabulaire . . .

 Un facteur (quantitatif ou qualitatif) est un état du système

étudié dont la variation est susceptible d'en modifier le
fonctionnement (ex : température, concentration d'un
réactif…),

 La réponse du système correspond au paramètre mesuré

ou observé pour connaître l'effet des facteurs étudiés sur le
système (ex : rendement d'une réaction…),

9
• Notion d'espace expérimental :

Le niveau bas -1 su facteur et le niveau haut+1

10
 • Notion d'espace expérimental :

• Chaque facteur est représenté par un axe graduée et orienté, les axes des facteurs sont
orthogonaux entre eux, l’espace ainsi défini est l’espace expérimental

11
• Notion d'espace expérimental :

Dans l’espace expérimentaux, les niveaux des facteurs définissent des points expérimentaux

12
• Interaction
Les interactions se produisent lorsque l’impact d’un facteur dépend de
la valeur d’un second facteur ,
• Notion de modèle et de régression linéaire multiple
La régression linéaire multiple est une méthode d’analyse de données
quantitatives. Elle a pour but de mettre en évidence la liaison pouvant
exister entre une variable dite expliquée (réponse), que nous la noterons
y et plusieurs autres variables dites explicatives (facteurs) que nous les
notero 𝑥1 , 𝑥2 𝑒𝑡𝑥𝑗
2 2 2 2
Y   0   i X i   ij X i X j   ii X i 2  
i 1 i 1 j 1 i 1

13
• Variables codées
Utiliser les variables codées va permettre d’avoir pour chaque facteur le même
domaine de variation [-1, +1] et de pouvoir ainsi comparer entre eux les effets des
facteurs, et ce sont ces variables codées (sans dimensions et entre -1 et +1) qui sont
utilisées dans l’équation du modèle obtenu.

Exemple :
Nous choisissons pour le facteur température un domaine d’étude :[10˚C, 40˚C],
nous affectons la valeur -1 à 10˚C et +1 à 40˚C et nous notons Vc la valeur codée et
Vn la valeur naturelle,

Domaine de variation naturel/codés

14
 • Variables codées

• Ou 𝑆𝑛 et 𝐼𝑛 sont respectivement la limite supérieure et inférieure du

domaine d’étude de la variable température, les variables centrées
réduites sont sans unité, une température de 20°C correspond à une
variable centrée réduite de -0,33, les formules de conversion sont:

2𝑉𝑛 − 𝑆𝑛 + 𝐼𝑛
𝑉𝑐 =
𝑆𝑛 − 𝐼𝑛
𝑉𝑐 𝑆𝑛 − 𝐼𝑛 + 𝑆𝑛 + 𝐼𝑛
𝑉𝑛 =
2

15
I – Plans factoriels complets 2k

16
 Plans factoriels complets 2k
 Ce sont des plans factoriels où le nombre de niveaux pour chaque
facteur est limité à deux (-1 et +1).
 Le fait de limiter les niveaux à deux et de mener une expérience
factorielle complète réduit le nombre de traitements et permet
d’étudier tous les facteurs et toutes leurs interactions.

Plan factoriel complet 22 et 23

17
• la recherche des facteurs influents
• Parmi tous les facteurs susceptibles d ’influer sur les
phénomène (c ’est à dire sur la ou les réponses
mesurées du phénomène),

- les quels ont une influence significative ?

- que vaut quantitativement cette influence ?
- existe-t ’il des interactions entre facteurs ?

18
• Matrice d’expériences
 Un plan pour lequel nous avons k facteurs est appelé un plan 2k. Le
nombre d’expériences à réaliser sera donc 2k expériences
 Une matrice d’expériences peut se construire à la main en suivant
l’algorithme de Yates ; pour une colonne c nous alternons : une
série de 2c-1 (-1) et de 2c-1 (+1)

Matrice d’expérience pour les plans factoriels complet 22 et 23

19
 • Le modèle mathématique postulé
• Le modèle mathématique postulé est un modèle du premier degré par
rapport à chaque facteur. L’équation suivant représente le modèle
postulé sans interactions.
𝑘

𝑦 = 𝑎0 + ෍ 𝑎𝑖 𝑥𝑖 + 𝜀
𝑖=1
• Où 𝑎0 représente l’effet théorique et les 𝑎𝑖 représentent les effets
principaux des différents facteurs. Le modèle avec interactions d’ordre
2 prend en considération les interaction entre chaque facteur et un
autre. Les effets des interactions sont quantifiés et représentés par les
coefficients 𝑎𝑖𝑗 de l’équation
𝑘 𝑘

𝑦 = 𝑎0 + ෍ 𝑎𝑖 𝑥𝑖 + ෍ ෍ 𝑎𝑖 𝑥𝑖 𝑥𝑗 + 𝜀
𝑖=1 𝑖<𝑗

20
• Effets globaux et effets moyens
 Matrice d’expérience pour les plans factoriels complet 22
Exp 𝑿𝟏 𝑿𝟐 Réponse (𝒚𝒊 )
1 -1 -1 𝑦1
2 +1 -1 𝑦2
3 -1 +1 𝑦3
4 +1 +1 𝑦4
 Les effets moyens d’un facteur aux niveau -1 et +1 correspondent aux moyennes
des réponses pour chaque niveau
𝑦1 + 𝑦3 𝑦1 + 𝑦2
𝑎1− = 𝑎2− =
2 Idem pour le deuxième facteur 2
𝑦3 + 𝑦4
𝑦2 + 𝑦4 𝑎2+ =
𝑎1+ = 2
2

21
• Effets globaux et effets moyens

 Effet global d’un facteur : L’effet global d’un facteur est défini
comme la variation moyenne de la réponse en passant du niveau bas
du facteur à son niveau haut

𝑎1+ − 𝑎1− −𝑦1 + 𝑦2 − 𝑦3 + 𝑦4

𝑎1 = =
2 4
+ −
𝑎2 − 𝑎2 −𝑦1 − 𝑦2 + 𝑦3 + 𝑦4
𝑎2 = =
2 4

 D’une manière générale, quand le modèle choisi est un polynôme,

les coefficients des termes du premier degré sont les effets des
facteurs.

22
 Effets des interactions : Pour calculer l’effet d’une interaction entre
plusieurs variables 𝑥1 , 𝑥2 ,…, 𝑥𝑘 , nous ajoutons à la matrice des
effets une colonne, que nous la baptisons 𝑥𝑖 𝑥𝑗 , , , , , , 𝑥𝑘 , et que nous
l’obtenons en faisant le produit ”ligne à ligne” des colonnes des
variables.
Matrice d’expérience pour les plans factoriels complet 22

Exp Moy 𝑿𝟏 𝑿𝟐 𝑿𝟏 𝑿 𝟐 Réponse (𝒚𝒊 )

1 +1 -1 -1 +1 𝑦1
2 +1 +1 -1 -1 𝑦2
3 +1 -1 +1 -1 𝑦3
4 +1 +1 +1 +1 𝑦4
Effets 𝒂𝒊 𝒂𝟎 𝒂𝟏 𝒂𝟐 𝒂𝟏𝟐

23
ETUDE DE CAS :
Etude de l’influence de la température et de la concentration C d’un réactif sur le
rendement y (en %) d’une réaction chimique. Il a été décidé d’expérimenter la 𝜃 𝑟𝑒
entre 60°C et 80°C et la concentration entre 10 g/L et 15 g/L en se limitant à 2
valeurs par facteur.

24
• Avec 4 conditions expérimentales, le maximum d’efficacité dans
l’étude est obtenu lorsque celles-ci sont situées aux extrémités du
domaine expérimental.

Soit
𝐴0 𝐵0 : 60°C / 10 g/L
𝐴1 𝐵0 : 80°C / 10 g/L
𝐴0 𝐵1 : 60°C / 15 g/L
𝐴1 𝐵1 : 80°C / 15 g/L

Cette propriété, maximum efficacité = extrémités du domaine

est générale à tous les essais factoriels 2

25
la matrice d’expérience
Il est commode de symboliser par –1 le niveau BAS de chaque facteur et par +1 le
niveau HAUT. Ce qui permet de rassembler les éléments relatifs à chaque facteur dans
un tableau appelé MATRICE D’EXPERIENCE que l’on présente en correspondance
avec une colonne donnant les résultats expérimentaux de la la réponse Y

26
• La colonne n°essai, repère de la condition expérimentale (1= 𝐴0 𝐵0 , 2= 𝐴1 𝐵0 ,
3= 𝐴0 𝐵1 , 4= 𝐴1 𝐵1 ) permet d’identifier la réponse : y1 est la réponse pour la
condition 𝐴0 𝐵0 ….etc…
• Les facteurs ainsi codés sont dits facteurs centrés réduits et notés 𝑥𝐴
Dans le cas de la température (facteur A)
si 60°C correspond à –1 et 80°C correspond à +1
cela signifie que 70°C correspond à 𝑥𝐴 =0 et qu’entre 𝑥𝐴 et température il existe
𝜃−70
la relation 𝑥𝐴 =
10
65°C correspond donc à 𝑥𝐴 =-0,5 et 78°C à 𝑥𝐴 =+0,8
Dans le cas de la concentration (facteur B)
𝑥𝐵 =-1 pour 10 g/L et 𝑥𝐵 =+1 pour 15 g/L, 𝑥𝐵 =0 correspond à 12,5 g/L et on a :
𝐶 − 12,5
𝑥𝐵 =
2,5
On notera que le centre du domaine expérimental correspond au niveau 0 des facteurs
centrés réduits. :

27
Effet global et effet moyen d’un facteur représentation graphique
EFFET GLOBAL

C’est la variation de réponse y quand le facteur passe du niveau BAS (-1) au niveau HAUT
(+1)

Par suite de l’organisation des expériences 𝜃=A Con=B Y en %

factorielles 22, un effet peut s’évaluer de 2 façons : -1 -1 𝑌1 = 60
- température (A) +1 -1 𝑌2 = 70
à 10 g/L effet global = 𝑦2 − 𝑦1 =70 – 60 = 10%
à 15 g/L effet global = 𝑦4 − 𝑦3 =90 – 80 = 10%
- concentration (B) -1 +1 𝑌3 = 80
à 60°C effet global = 𝑦3 − 𝑦1 =80 – 60 = 20%
à 80°C effet global = 𝑦4 − 𝑦2 =90 – 70 = 20% +1 +1 𝑌4 = 90

28
Dans cet exemple particulier, l’effet d’un facteur est exactement le même quelque soit
le niveau de l’autre : les 2 facteurs agissent indépendamment. On dit aussi qu’il n’y a
pas d’interaction entre les 2 facteurs.

Notons qu’en général, même lorsqu’il y a indépendance des facteurs, les effets calculés
ne donneront pas exactement la même valeur pour les 2 niveaux de l’autre facteur à
cause des erreurs aléatoires de mesures des réponses ; on en fera la moyenne :

• effet global de la température : [(𝑦2 -𝑦1 )+(𝑦4 -𝑦3 )]

• effet global de la concentration : [(𝑦3 -𝑦1 )+(𝑦4 -𝑦2 )]

29
 Effet moyen
• L’effet global correspond à une variation du facteur centré réduit de 2 unités (de –1 à
+1)
• L’effet moyen correspond à une variation de 1 unité du facteur centré réduit (de 0 à 1
par exemple)

L’effet moyen noté E est la moitié de l’effet global

Dans l’exemple, on a donc EA = 5 % (𝜃 𝑟𝑒 ) et EB = 10 % (concentration)
Remarque :
le calcul de la moyenne générale des essais s’écrit
𝟏
𝒚𝒄 = (𝒚𝟏 + 𝒚𝟐 + 𝒚𝟑 + 𝒚𝟒 )
𝟒

Elle vaut donc dans l’exemple 75% et elle peut être considérée comme la valeur
calculée de la réponse quand les facteurs centrés réduits sont au niveau 0, c’est à dire au
centre du domaine expérimental.
30
Representations graphiques

31
Representations graphiques

32
Exercice 2 même étude que l’exercice 1 réalisée cette fois en présence d’un catalyseur
; les conditions expérimentales sont identiques. Les résultats de rendement sont :

N° essai 1 2 3 4
Rendement (%) 60 70 80 95

𝟏
La moyenne calculée des essais est devenue : 𝒚𝒄 = (60+70+80+95)= 76,25 %
𝟒
La présence du catalyseur est favorable. Qu’a t-il changé dans les effets ?
• Effet de la température :
à 10g/L 𝑬𝟎 = 𝟓% à 15g/L 𝑬𝟎 = 𝟕, 𝟓%
• Effet de la concentration :
à 60 C° 𝑬𝟎 = 𝟏𝟎% à 80 C° 𝑬𝟎 = 𝟏𝟐, 𝟓%
l’effet d’un facteur depend du niveau de l’autre : on dit qu’il ya interaction entre
les facteurs 𝜃 𝑟𝑒 et concentration,
33
Evaluation de l’interaction 𝑬𝑨𝑩

Elle se définit en grandeur comme la moitié de la différence entre l’effet moyen

d’un facteur au niveau HAUT de l’autre et de l’effet moyen de ce facteur au niveau
BAS de l’autre

Appliquons à l’exemple 2 :

(𝜃 𝑟𝑒 * concentratio) = 1/2 (7,5 - 5) = 1,25 % ou bien 1/2 (12,5 - 10) = 1,25 %

D’une manière générale, l’effet de l’interaction s’exprime en fonction des réponses

individuelles par :
𝟏
𝑬𝑨𝑩 = (𝒚𝟏 + 𝒚𝟐 + 𝒚𝟑 + 𝒚𝟒 )
𝟒

34
Signification de l’effet d’un facteur quand il y a interaction

On peut calculer EA et EB grâce aux formules vues précédemment. Dans

l’exemple 2 on trouve :
- température : EA= 6,25 % - concentration : EB= 11,25 %
La signification de l’effet d’un facteur, appelé EFFET PRINCIPAL, apparaît quand
on représente la variation de l’effet en fonction du niveau de l’autre facteur.

35
Matrice des effets ; pratique des calculs

𝟏
𝑬𝑨 = (−𝒚𝟏 + 𝒚𝟐 − 𝒚𝟑 + 𝒚𝟒 ) Effet principal de A
𝟒

𝟏
𝑬𝑩 = (−𝒚𝟏 − 𝒚𝟐 + 𝒚𝟑 + 𝒚𝟒 ) Effet principal de B
𝟒

𝟏
𝑬𝑨𝑩 = (𝒚𝟏 − 𝒚𝟐 − 𝒚𝟑 + 𝒚𝟒 ) Effet d’interaction de AB
𝟒

𝟏
𝒚𝒄 = (𝒚𝟏 + 𝒚𝟐 + 𝒚𝟑 + 𝒚𝟒 ) Réponse calculée au centre du domaine
𝟒

36
 Les Plans factoriels complets 23
Étude de cas
l’influence de la T°, l’origine commerciale des réactifs et la vitesse
d’agitation sur le rdt d’une réaction chimique

Niveau -1 20°C Origine X Lente

Niveau +1 50°C Origine Y Rapide

37
Matrice des essais

N° essai T° (A) Réactif (B) Agitation(C)

1 -1 -1 -1
2 +1 -1 -1
3 -1 +1 -1
4 +1 +1 -1
5 -1 -1 +1
6 +1 -1 +1
7 -1 +1 +1
8 +1 +1 +1

38
Matrice des essais

Après les essais nous aurons 8 informations (réponses)

indépendantes.
La matrice des effets les transformera en 8 informations plus
exploitables:
* Les effets de chacun des 3 facteurs A, B et C
* Les 3 interactions AB, BC et AC (1er ordre)
* L’interaction de deuxième ordre ABC
* La moyenne

39
Matrice des effets
N°
A B C AB BC AC ABC Moy Rdt%
essai

1 -1 -1 -1 +1 +1 +1 -1 +1 52

2 +1 -1 -1 -1 +1 -1 +1 +1 69

3 -1 +1 -1 -1 -1 +1 +1 +1 53

4 +1 +1 -1 +1 -1 -1 -1 +1 69

5 -1 -1 +1 +1 -1 -1 +1 +1 64

6 +1 -1 +1 -1 -1 +1 -1 +1 70

7 -1 +1 +1 -1 +1 -1 -1 +1 63

8 +1 +1 +1 +1 +1 +1 +1 +1 71

40
• Effet moyen de A : 1/8(-52+69-53+69-64+70-63+71)= +5.9
• Effet moyen de B : +0,1
• Effet moyen de C : +3,1
• Interaction AB : +0,1
• Interaction BC : -0,1
• Interaction AC : -2,4
• Interaction ABC : +0,4
• Moyenne : 63,

 Intuitivement: les effets de A, C et l’interaction AC sont significatifs.

41
• Conclusions de l’étude

 QQS les autres conditions, la T° a une action positive sur le rdt

 L’origine du réactif n’a pas d’influence
 A haute T°, la vitesse d’agitation n’a pas d’influence
 Il n’y a pas d’interaction notable autre que AC

42
Les Plans factoriels complets 24
Exercice : lors de l’optimisation des conditions expérimentales d’une
réaction de précipitation, on a retenu comme facteurs à étudier
susceptibles d’agir sur le poids de précipité pesé dans des conditions
identiques

facteurs niveaux
A : température de la réaction 60°C – 70°C
B : concentration d’un réactif 1 g/L - 2 g/L
C : temps de contact 30 min – 45 min
D : débit de lavage du précipité 1 l/min – 0,5 l/min

• Soit 16 conditions expérimentales : il est décidé de ne pas faire de répétitions.

• les résultats des 16 expériences (poids de précipité),
43
Condition Poids Condition Poids

59,6
𝐴0 𝐵0 𝐶0𝐷0 60,6 𝐴0 𝐵0 𝐶0𝐷1
61,1
𝐴1 𝐵0 𝐶0 𝐷0 61,0 𝐴1 𝐵0 𝐶0𝐷1
60,7
𝐴0 𝐵1 𝐶0 𝐷0 60,3 𝐴0 𝐵1 𝐶0𝐷1
61,3
𝐴1 𝐵1 𝐶0 𝐷0 61,7 𝐴1 𝐵1 𝐶0 𝐷1
61,6
𝐴0 𝐵0 𝐶1 𝐷0 62,0 𝐴0 𝐵0 𝐶1𝐷1
61,9
𝐴1 𝐵0 𝐶1 𝐷0 61,5 𝐴1 𝐵0 𝐶1 𝐷1
62,3
𝐴0 𝐵1 𝐶1 𝐷0 61,7 𝐴0 𝐵1 𝐶1 𝐷1
62,8
𝐴1 𝐵1 𝐶1 𝐷0 62,4 𝐴1 𝐵1 𝐶1 𝐷1

44
Matrice des effets

45
Matrice des effets

Ce plan comporte N= 𝟐𝒌 expériences; donc

donne 𝟐𝒌 informations suivantes:
*La moyenne
* Les k effets des facteurs
* 𝐶𝐾2 interactions du 1er ordre
* 𝐶𝐾3 interactions du 2ème ordre
*…
* L’interaction des k facteurs entre eux

46
Exemple 4 (suite) – Calcul des effets
Le calcul des effets (ne pas oublier de diviser par 16 puisqu’il y a 16
essais) conduit à :
𝐸𝐴 = 𝐸𝐴𝑩 = 𝐸𝑩𝑫 =
0,306 0,093 0,119

𝐸𝐵 = 𝐸𝐴𝐶 = 𝐸𝐶𝐷 =
0,244 -0,181 0,119

𝐸𝐶 = 𝐸𝐴𝐷 = 𝐸𝐴𝐵𝐶 =
0,619 0,056 0,081

𝐸𝐷 = 𝐸𝐵𝐶 = 𝐸𝐴𝐵𝐷 =
0,006 0,031 -0,181

𝐸𝐴𝐶𝐷 = 𝐸𝐵𝐶𝐷 = 𝐸𝐴𝐵𝐷 =

0,019 0,006 0,056

𝒚𝒄 = 61,406
47
• A l’examen de ces effets, on constate qu’ils sont faibles par rapport au poids
moyen calculé 61,4 ( maximum 0,6 pour le facteur C) et on peut se demander s’ils
ne sont pas de l’ordre de grandeur de ceux qui se produisent par suite de la
dispersion des valeurs expérimentales,
• Un résultat est clair : l’effet de D (0,006) est pratiquement nul : le changement du
mode de lavage ne joue pas sur le poids de précipité.
On peut donc réexaminer les résultats en ne tenant pas compte du facteur D : on
est ramené à l’étude d’un plan 23 (A, B, C) chaque condition expérimentale ayant été
répétée 2 fois.

48
Ce cas concerne :

les plans factoriels pour lesquels au départ il a été prévu que

chaque condition expérimentale serait répétée 2 fois, 3 fois, etc.…
Le but est d’améliorer la précision de la détermination des effets.
En revanche, elle est rare dans les essais industriels où la répétabilité
des déterminations est généralement bonne.
les plans factoriels pour lesquels après analyse,.

49
Conclusion:
 Ces plans sont efficaces, simples à analyser et à interpréter. Ils ont également des
vertus pédagogiques en amenant l’expérimentateur à sortir de la stratégie : « un
seul facteur variable étudié à la fois »
 Ces plans permettent, certes, le calcul de tous les effets principaux et de toutes les
interactions
Cependant:
 la plupart de ces interactions (particulièrement celles qui mettent en jeu plus de 2
facteurs) ne présentent aucun intérêt pour l'expérimentateur,
 Quand le nombre de facteurs augmente : expérimentations coûteuses en temps et en
argent,
 Deux niveaux par facteur peuvent être insuffisants : par exemple il faut plus de 2
concentrations pour faire une courbe d’étalonnage…-

50
Plans factoriels
fractionnaires 2k-P

51
 Les plans factoriels complets 2𝑛 présentent le désavantage de nécessiter rapidement de
nombreux essais quand le nombre de facteurs à étudier augmente; l'expérimentation
devient « encombrante », consommatrice de temps et d'argent (matériels, personnels,
matières ...) ,

 L’estimation des effets des facteurs, et leurs interactions 2 à 2, 3 à 3,…

 Or en pratique les interactions 2 à 2 (type ABC) et au-delà sont bien souvent

négligeables.

 Lorsque le nombre de facteurs augmente, le rapport du nombre des

informations utiles au nombre total d'essais diminue de façon alarmante! Il
faudrait pouvoir réduire la taille des plans.

52
• Dans une étude à 5 facteur, par exemple, le Plan factoriel complet propose 32 essais et
nous ne sommes intéressés que par 16 informations:
Les effets des facteurs: 5
Les interactions du 1er ordre:10
La moyenne: 1

Se focaliser sur les effets les plus intéressants.

• La solution proposée par les Plans fractionnaires complet permet de réduire le

nombre d'essais à effectuer ; on n'effectue dans l'expérimentation qu'une
fraction des essais du plan complet.

53
• Les plans fractionnaires sont appelés pour cette raison les plans 2𝑘−𝑝

• L’avantage des plans fractionnaires 𝟐𝒌−𝒑 est évident: diviser la charge

expérimentale par 2p (2k-p = 2k/2p ) et les matrices utilisées sont toujours des
matrices d'Hadamard.

• Les plans fractionnaires sont des plans optimaux. Ils permettent de réduire la
charge expérimentale en focalisant l'attention sur les effets les plus intéressants.

54
Mise en oeuvre des plans 𝟐𝒏−𝟏 .

Ces plans fractionnaires sont construits, analysés et interprétés.

1- Il faut d'abord déterminer les couples d'aliases
en choisissant dans la relation de définition l'interaction d'ordre le plus élevé. Il y a
d'ailleurs deux possibilités de plan qui ne donneront pas les mêmes essais à faire: celui qui
correspond à I = + (interaction) et celui qui correspond à I = - (interaction) ; ils sont en
théorie équivalents et on choisit souvent I = + (interaction)

2- Construction de la matrice des contrastes

On utilise la matrice des effets d'un plan complet contenant un facteur de moins
que le plan étudié.

55
3- Analyse des contrastes

La colonne des réponses y mesurées ayant été renseignée à la suite de l'expérimentation, le

calcul des contrastes se fait avec la matrice des effets de la même façon que pour un plan
complet ; la seule différence est qu'il faut tenir compte dans le calcul du nombre d'essais
réellement effectués.

4- Interprétation.

Ajoutons seulement qu'il peut arriver que des essais complémentaires se révèlent nécessaires
pour lever des ambiguïtés. Supposons par exemple que dans l'analyse d'un plan 24-1, on ait
trouvé que les 4 effets principaux A, B, C et D (aliasés avec des interactions d'ordre 3) sont
significatifs et que le contraste AB(CD) l'est aussi ; pour savoir si cet effet significatif est
attribuable à AB ou à CD ou même aux deux interactions, il n'y a pas d'autres méthodes que
d'effectuer une expérimentation complémentaire

56
Les plans 𝟐𝒏−𝟏 : principe, vocabulaire et mise en oeuvre.
 Construction d’un plan 𝟐𝟑−𝟏
Exemple : Etude du rendement d’une réaction chimique dépendant de 3 facteurs

57
Les plans 𝟐𝒏−𝟏 : principe, vocabulaire et mise en oeuvre.

58
On dit que les effets 1 et 23 sont aliasés : 1 = 23
I = 123 est appelé générateur d’aliase
59
 Construction d’un plan 𝟐𝟒−𝟏
Nous souhaitons étudier la capacité de réhydratation d’une poudre suite à un séchage de produits
alimentaires destiné à être introduit dans une soupe instantanée. Cette capacité de réhydratation
dépend de 3 facteurs : la pression appliquée au cours du procédé de séchage, le temps de séchage
et la teneur en eau initiale du produit avant séchage. Les facteurs étudiés
présentent chacun 2 modalités :

Combien d’essais sont nécessaires dans cette étude pour construire un plan complet ? Ecrire la
matrice des essais et la matrice des effets du plan complet contenant tous les effets principaux
et toutes les interactions??

60
61
Pour des raisons d’approvisionnement, on doit réaliser l’étude avec des échantillons de
produit provenant de deux tours de séchage différentes, une neuve et une plus ancienne.
Comment interprétez-vous ce changement ? Que cela change-t-il par rapport aux
conditions d’expérience ?
62
 Construction d’un plan 𝟐𝟒−𝟏
Exemple d’application

Étude de l’influence sur l’allongement à la rupture d’un élastomère en fonction

de la nature de l’élastomère, le taux d’additif, le système de vulcanisation et le
taux de kaolin.

 La réponse y: allongement à la rupture (%);

 Facteur A: nature de l’élastomère;

 Facteur B: taux d’additif;

 Facteur C: système de vulcanisation;

 Facteur D: taux de kaolin ,

63
 Construction d’un plan 𝟐𝟒−𝟏
Choix du plan:
𝟐𝟒−𝟏 et l’aliase D=ABC

64
Calcul des contrastes

65
 Hypothèses permettant d’interpréter le plan

Conditions de l’étude: contrastes de valeur absolue inférieure à 8 sont négligeables

Les interactions d’ordre 2 sont probablement négligeables

66
 Conclusion de l’étude

• Additif en excès: 22 les deux élastomères ont un allongement identique. Un

excès d’additif diminue l’allongement et surtout avec l’élastomère 1.
Élastomère 2 préférable à 1.
• Le système de vulcanisation 2 est meilleur que le 1.
• Le kaolin est sans influence (ce qui était attendu). Facteur inclus pour
vérifier l’absence d’interaction avec l’additif
• Il n’ y a probablement pas d’autre interaction que élastomère - additif

67
 Résumé

Hypothèse 1:
Les interactions d’ordre 2 (entre 3 facteurs) ou d’ordre plus élevé sont considérées
comme négligeables. Mais attention cette hypothèse peut parfois être mise en défaut.
Hypothèse 2:
Si un contraste est nul, cela peut signifier:
- que les effets et les interactions aliasés sont tous nuls. Cette hypothèse est la plus
probable et c’est celle que nous retiendrons.
- que les effets et les interactions alisés se compensent. Cette hypothèse est peu probable
et nous ne la retiendrons pas.
Hypothèse 3:
Si deux effets sont faibles, on supposera que leur interaction l’est aussi.
Si un effet est faible et l’autre fort, on supposera que leur interaction est faible
Hypothèse 4:
Si deux effets sont forts, on se méfiera de leur interaction qui peut l’être également.

68
Construction d’un plan 𝟐𝒏−𝟐

pour un plan 𝟐𝟓−𝟐 , on prendra la matrice d’un plan 23 ; les relations de définition
choisies étant I = ABD et I = ACE , on a la succession d’aliases suivante :

A = BD = CE = ABCDE
B = AD = CDE = ABCE
C = AE = BDE = ABCD
D = AB = BCE = ACDE
E = AC = BCD = ABDE
BC = DE = ABE = ACD
BE = CD = ABC = ADE

69
Exemple d’application : un plan 𝟐𝟓−𝟐
il indique seulement que l’échantillon doit être disposé dans une boîte de Pétrie. Il
semblerait que la précision de
mesure d’extrait sec dépende principalement de 5 facteurs :
• le mode de préparation de l’échantillon (noté A) : mixeur ou moulin râpe
• le mode de remplissage de la boîte de Pétrie (noté B) : spatule ou cuillère
• la quantité de matière (noté C) : boîte remplie de moitié ou entièrement remplie
• la surface de l’échantillon (noté D) : lisse ou biscornue
• l’aspect de l’échantillon (noté E) : présence de trous d’air ou absence de trous d’air
On souhaite donc étudier l’influence de ces 5 facteurs sur la précision de mesure
d’extrait sec. Seulement, la problématique est urgente et ne doit pas nécessiter un
grand coût de mise en œuvre, c’est pourquoi il sera raisonnable de se limiter à 8
expériences.

70
1. Quel est le nom du plan à construire ?
On s’intéresse ici à l’effet de 5 variables explicatives qualitatives à deux
modalités sur une variable à expliquer quantitative.
Le plan à construire est donc le plan fractionnaire 𝟐𝟓−𝟐 en 8 essais.
2. Construire ce plan en suivant la méthodologie vue en cours (choix d’un
plan de base, construction de la matrice des effets du modèle saturé associé
à ce plan de base, choix des confusions, détermination des confusions
résultantes).
Le plan de base que l’on va choisir est un plan complet en 8 essais, c’est donc le
plan 23 suivant:

71
72
Il va maintenant falloir confondre les facteurs D et E que l’on veut ajouter dans le
modèle avec des interactions que l’on considère négligeables. Il n’est bien
évidemment pas possible de confondre ces facteurs avec des facteurs principaux car
on n’arriverait pas à savoir ce qui est dû uniquement des facteurs principaux de ce qui
est dû des autres. Ici on souhaite ajouter
deux facteurs donc on va les confondre avec des interactions d’ordre les plus élevées
– 1 à savoir : AB et BC (on aurait très bien pu les confondre avec AB et AC ou AC et
BC). Voici toutes les confusions résultantes :

73
74
Quelle est la qualité du plan construit ?
Le plan construit est de résolution III car la plus petite interaction avec laquelle la
constante est confondue est d’ordre 3
(l’ordre le moins élevé parmi tous les générateurs d’alias est 3) et les effets principaux
sont confondus avec des interactions
d’ordre 2 ou plus. En résolution III, il est possible d’estimer sans ambiguïté les effets
principaux si on considère que toutes
les interactions d’ordre 2 ou plus sont négligeables. Cependant, il ne sera pas possible
d’estimer sans ambiguïté les
interactions d’ordre 2 car certaines d’entre elles sont confondues avec d’autres
interactions d’ordre 2

75
Problème: gâteau d’anniversaire
On décide de confectionner un gâteau pour un anniversaire. Comme la recette
n’est pas très claire et que les conseils recueillis auprès des proches sont
divergents, on entreprend de réaliser un plan d’expériences pour connaître
l’influence des quantités de produits.

76
77
78
79
80
81
82
83
ANALYSE DES ESULTATS : QUELS EFFETS
(PRINCIPAUX, INTERACTIONS) SONT
SIGNIFICATIFS

84
Les exemples précédents ont montré qu'aucun effet calculé,
même parmi les interactions d'ordres élevés, n'est
rigoureusement égal à 0. Cette constatation n'est pas
surprenante puisque les effets sont calculés à partir des
réponses mesurées, entachées d'erreur aléatoire.
Un effet, positif ou négatif, est d'autant plus crédible que sa
valeur absolue est grande,

85
 • Test de signification des effets
 L’influence des facteurs et de leurs interactions est interprétée par les coefficients
du modèle postulé
 Il faut donc trouver une valeur étalon (tcrit) pour la prise de décision si l’effet
d’un facteur
ou d’une interaction est important ou non
 Le test de Student a pour but de fournir une règle de décision
 La valeur à tester ti sera le rapport de la valeur du coefficient ai sur la valeur de
son écart-type Si

86
 • Calcul de la variance des coefficients
le cas des plans factoriels la relation est plus simple

avec

les différences entre les valeurs expérimentales yi et les valeurs estimées (prédites)
par le modèle ybi2 ; Où n est le nombre d’expériences réalisées et p est le nombre de
coefficients du modèle (constante incluse).
87
 • Détermination de la valeur critique tcrit
• le test de Student est utilisé ; le rapport ti est comparé à une valeur
critique tcrit pour un risque α et un degré de liberté ddl = n – p,
• Cette valeur critique peut être directement lue à partir de la table de
Student

Par exemple la valeur critique de student tcrit pour un modèle dont p =

7, n = 8 et pour un risque α = 0:05

88
• Réalisation du test et interprétation
L’hypothèse selon laquelle l’effet 𝑎𝑖 est nul s’appelle l’hypothèse nulle et est notée 𝐻0 .
N’importe quelle autre hypothèse qui diffère de l’hypothèse 𝐻0 s’appelle l’hypothèse
alternative et est notée 𝐻1
• 𝐻0 : l’effet 𝑎𝑖 est nul c-à-d 𝑎𝑖 n’est pas significatif.
• 𝐻1 : l’effet 𝑎𝑖 n’est pas nul c-à-d 𝑎𝑖 est significatif.
pour déterminer la signification des effets ou leur non signification.
• Si 𝒕𝒊 > tcrit, l’hypothèse 𝐻0 est rejetée (𝐻1 est acceptée) c-à-d l’effet 𝑎𝑖 est
significatif.
• Sinon ( 𝒕𝒊 <= tcrit), l’hypothèse 𝐻0 est acceptée (𝐻1 est rejetée) c-à-d l’effet
𝑎𝑖 n’est pas significatif.

89
À partir du t de Student, l’évaluation de la probabilité peut révéler que
le coefficient est peu significatif (ou nul) ou non. Cette probabilité est
la pvaleur

• Si la pvaleur est proche de 0 (probabilité nulle), le coefficient est

influent car il n’est pas nul.
• Si la pvaleur est proche de 1, le coefficient est proche de 0 et donc
négligeable. Si la pvaleur possède
une valeur intermédiaire, le coefficient est peut-être légèrement
significatif ou non significatif.

90
Table de student

91
 Exemple applicatif
Nous voulons déterminer quels sont les facteurs et les interactions qui ont un effet
significatif et ceux qui ont un effet négligeable. L’expérimentateur décide d’utiliser un
plan d’expériences factoriel complet23 . Il définit le domaine d’étude des trois
paramètres comme suit

92
L’équation suivant montre le modèle mathématique complet :

93
 Pour répondre à la question déterminant la signification des différents effets,
nous utilisons le test de Student.
Pour calculer 𝑆 2 nous calculons les réponses estimées 𝐸෡𝑖 par le modèle
et les résidus dans la table suivant

94