1

République Algérienne Démocratique et populaire

Ministère des enseignements supérieures et recherche scientifique
Université des sciences et technologies Haouari Boumedien
Faculté des génies des procédés et génie mécanique
Département Génie d’environnement

Cour Master 2 génie des procédés et environnement GPE

Plan
d’expérience
 2

• Chapitre 1: Introduction générale et plans factoriels

1

• Chapitre 2: Tests de signification et validation du

2 modèle

• Chapitre 3: Les plans fractionnaires

3

• Chapitre 4: Les plans de surface de réponses

4

•Chapitre 5: Les plans de mélange

5
 3

Introduction
Les plans des expériences !
Une méthode scientifique statistique pour la planification, la réalisation, l’analyse
et l’interprétation de données issues d’essais ou d’expériences contrôlés.
Une méthodologie mathématique utilisée pour planifier et mener efficacement une
étude scientifique qui modifie simultanément:
les variables d’entrée (X) appelées Facteurs afin de révéler leurs effets sur une
variable de sortie (ou plusieurs)(Y) appelée Réponse
 Acquisition 4
progressive des
résultats

Plusieurs facteurs Choix de la

Analyse des Connaissance de
méthode Expérimentation
X1, X2, X3….. résultats système
d’expérimentation

Donc l’objectif des plans d’expérience:

 arriver rapidement aux meilleurs résultats possibles,
 éviter de réaliser des expériences inutiles,
 obtenir la meilleure précision possible sur les résultats,
 permettre d’avancer à coup sûr,
 établir la modélisation du phénomène étudié,
 découvrir la solution optimale.

Les trois aspects essentiels du processus d’acquisition des connaissances sont les suivantes :
– le choix de la méthode d’expérimentation,
– l’analyse des résultats,
– l’acquisition progressive de la connaissance.

Les expériences sont organisées pour faciliter l’exploitation des résultats et pour permettre
l’acquisition progressive des résultats d’intérêt.
 5

Les plans d'expériences permettent d'organiser au mieux les essais qui

accompagnent une recherche scientifique ou des études industrielles.
Ils sont applicables à de nombreuses disciplines et à toutes les industries à partir du
moment où l’on recherche le lien qui existe entre une grandeur d’intérêt « y », et des
variables « x»
Obtenir le maximum de renseignements avec le minimum d’expériences
Une bonne économie
la possibilité de mesurer ce changement et son impact en particulier sur la technique
des couts et délais
 2. Terminologie en plans d’expérience 6

La grandeur d’intérêt, qui est généralement notée y, porte le nom de réponse. Les
variables qui peuvent modifier la réponse sont appelées facteurs. On parle donc des
facteurs qui influent sur une réponse. Les termes facteur et réponse sont universellement
employés dans le domaine des plans d’expériences.

Facteur

continus discrets Ordonnables Booléens

Exp: la les facteurs Il s’agit de Les facteurs

pression, dans discrets ne facteurs booléens sont
un intervalle peuvent prendre discrets que des facteurs
donné, on peut que des valeurs l’on peut discrets qui ne
choisir toutes particulières. mettre dans un peuvent prendre
les valeurs Exp: couleur ordre logique. que deux
possibles d’un produit Par exemple, valeurs : haut ou
(vert, rouge, grand, moyen, bas, ouvert ou
bleu) petit fermé

PS. La frontière est parfois floue entre ces différents types de facteurs, la vitesse
par exemple, peut être transformé en facteur ordonnable ou discret : rapide et lent,
ou vitesse A et vitesse B
 7
Réponses

Réponses ou sorties de l’expérience: Sont les résultats mesurables potentiellement influencés par
les facteurs et leurs niveaux respectifs.

Espace expérimental

Pour présenter l’espace expérimental nous utiliserons un espace à deux dimensions, ce qui
facilitera les représentations graphiques. Il est ensuite facile d’étendre les notions introduites à des
espaces multidimensionnels. L’espace expérimental comprend tous les points du plan « facteur 1
× facteur 2 » et chacun d’eux représente une expérience. S’il y a un troisième facteur, on le
représente aussi par un axe orienté et gradué, et on le positionne perpendiculairement aux deux
premiers. À partir de quatre facteurs, on opère de même, mais il n’y a plus de représentation
géométrique possible et l’on doit adopter une représentation purement mathématique
 8
Domaine d’un facteur

En plans d’expériences, lorsque nous étudions l’influence d’un facteur, en général, nous limitons sa
variation entre deux bornes appelées respectivement: niveau bas (-1) et niveau haut (+1) qui
définissent le domaine d’étude de ce facteur. Si nous considérons 5 niveaux de la pression (1, 5, 10, 1
et 20 bars), son domaine d’étude sera [1, 20]

S’il y a plusieurs facteurs, chacun d’eux à son domaine de variation. Afin d’avoir une
représentation commune pour tous les facteurs, on note les niveaux bas par –1 et les niveaux
hauts par +1.
À l’intérieur du domaine d’un facteur continu toutes les valeurs sont théoriquement possibles. On
peut donc y choisir deux, trois ou plusieurs niveaux selon les besoins de l’étude. Par exemple, si
l’on veut établir un modèle du second degré, on choisira trois ou quatre niveaux.
 9
Domaine d’étude

Dans la pratique, l’expérimentateur sélectionne une partie de l’espace expérimental pour réaliser son
étude. Cette zone particulière de l’espace expérimental est le domaine d’étude. Ce domaine est défini
par les niveaux hauts et les niveaux bas de tous les facteurs et éventuellement par des contraintes
entre les facteurs.
 10

Variables centrées réduites

Lorsqu’on attribue la valeur −1 au niveau bas d’un facteur et la valeur +1 au niveau haut, on
effectue deux modifications importantes :
On déplace l’origine des mesures. Dans l’exemple choisi, le milieu de l’intervalle [−1 ; +1]
correspond à une certaine valeur. La valeur numérique de la nouvelle origine, zéro, diffère donc de
l’origine exprimée en unité courante.
On change l’unité de mesure.
Ces deux modifications entraînent l’introduction de nouvelles variables que l’on appelle variables
centrées réduites: centrées pour indiquer le changement d’origine et réduites pour signaler la
nouvelle unité. On utilise également le terme de variables codées.

Le passage des variables d’origine A aux variables codées x, et inversement, est donné par la formule
suivante (A0 est la valeur centrale en unités courantes):
 11

L’intérêt des unités codées:

Pouvoir présenter les plans d’expériences de la même manière quels que soient les domaines
d’étude retenus et quels que soient les facteurs.
Faciliter leurs utilisations dans les logiciels de plans d’expériences et certaines opérations comme
la recherche des meilleurs points d’expériences par le critère de D-optimalité ne sont réalisables
qu’avec ces variables.
La disparition des unités naturelles associée au fait que tous les facteurs ont le même domaine de
variation (deux unités codées) permet la comparaison directe des effets des facteurs entre eux.

Exemple d’application :
Un expérimentateur choisit pour le facteur « vitesse de la voiture » 80 km/h comme niveau bas et
120 km/h comme niveau haut. Quelle est, en variables codées, la valeur de la vitesse de 90 km/h ?

Calculons le pas du
facteur vitesse:
Calculons la valeur centrale
entre niveau bas et niveau haut:
Enfin, appliquons la
relation précédente
 12
Objectif de criblage
Objectif de comparaison alternatif:
Les expériences de criblage sont un moyen
permet de déterminer l’effet des
efficace, avec un nombre minimal de tests,
différents niveau de même facteur, et
pour déterminer les facteurs importants.
déterminer si ce facteur est
Nous pourrions poser une question: Quels
significatif. Si non on choisi le moins
sont les facteurs importants qui ont un
couteux par exemple.
impact sur notre réponse!

C’est quoi l’objectif des

plans d’expérience

Objectif de prédiction:
Objectif de modélisation Un modèle mathématique obtenu peut être utilisé pour prédire
La méthodologie de une réponse à un point quelconque dans les limites des domaines
surface de réponse est un expérimentaux.
ensemble de techniques
mathématiques et Objectif d’optimisation:
statistiques pour la Une optimisation est effectuée pour déterminer les valeurs des
construction de modèles entrées du processus à utiliser pour obtenir la sortie du processus
mathématiques souhaitée.
empiriques.
L’exploitation de ces Objectif d’optimisation multi-réponses:
modèles peut répondre à L’objectif est de déterminer les paramètres des facteurs
plusieurs objectifs: permettant d’optimiser simultanément (un compromis) plusieurs
réponses.
 13
Quelles sont les étapes des plans d’expériences!!

1. Poser un objectif:
La priorisation des objectifs vous aide à choisir la direction à prendre en ce qui concerne la sélection
des facteurs, les réponses et un plan particulier.

2. Sélection des variables de processus et leurs plages :

Les variables d’un processus incluent à la fois les entrées et les sorties- c’est-à-dire les facteurs et
les réponses. La sélection de ces variables s’effectue en:
–Inclure tous les facteurs importants.
–Déterminer une plage d’étude pour chaque facteur.
–Être prudent en choisissant les niveaux bas et haut des facteurs.
–Vérifier les réglages des facteurs pour des combinaisons non pratiques ou impossibles.
–Inclure toutes les réponses pertinentes.

3. Choix de plan :
Le choix dépend directement de l’objectif et le nombre de facteurs à étudier.
Par exemple: Entre 2 et 4 facteurs:
Si l’objectif est le criblage on choisi plan factoriel complet ou fractionnaire (On aura aussi un
modèle mathématique).
Si l’objectif est la modélisation et l’optimisation on choisi les plans de surface de réponse (Central
composite, Box Benken, Dohelert….)
 14

4. Analyse des résultats :

Les résultats sont analysés et interprétés statistiquement, on utilisant des méthodes de
validations numériques basés sur les lois statistiques (Erreur R2, la variance, test de
student, test de fisher…).
Ce genre d’analyse pourra s’effectuer numériquement ou en utilisant des logiciels, dont
la métrise de ces logiciels est devenue un axe principal pour l’exécution des plans
d’expérience.

Il existe plusieurs logiciels de plans d’expériences:

JMP
Design Expert
Minitab
MODDE
Statistica Statgraphics
Unscrambler
Ellistat
 15

3. Plan factoriel 2K complet

Dans les plans factoriels, plusieurs facteurs sont étudiés simultanément pendant
l’étude. Des facteurs qualitatifs et/ou quantitatifs peuvent être pris en compte.

L’objectif de ces plans est d’identifier les facteurs qui ont un effet significatif sur
la réponse, ainsi que d’étudier l’effet des interactions (en fonction du plan
d’expériences utilisé).

Des prédictions peuvent également être effectuées lorsque des facteurs quantitatifs
sont présents, mais des précautions doivent être prises car certains plans sont très
limités dans le choix du modèle prédictif.

Par exemple, dans les plans à deux niveaux, seule une relation linéaire entre la
réponse et les facteurs peut être utilisée, ce qui peut ne pas être réaliste.
 16

3.1. Plan factoriel complet à 2 niveaux

1. Ce sont des plans factoriels où le nombre de niveaux pour chaque facteur est
limité à deux (-1 et +1) donc 2k.
2. 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.
3. La figure montre graphiquement deux plans factoriels complets pour deux (22) et
trois facteurs (23).
 17

3.2. Matrice d’expérience

Une matrice d’expériences:
A. Peut se construire à la main en suivant l’algorithme de Yates
B. Montre toutes les combinaisons possibles des niveaux haut et bas pour chaque
facteur d’entrée
C. Un plan pour le quel nous avons k facteurs est appelé un plan 2k. Le nombre
d’expériences à réaliser sera donc 2k expériences.
D. Ce nombre devient rapidement très important. Par exemple pour seulement 7
facteurs, il faudrait 128 expériences. Pour diminuer le nombre des essais en
conservant la possibilité d’étudier tous les facteurs, les plans factoriels
fractionnaires à deux niveaux seront utilisés.

Matrices d’expériences pour les

plans factoriels complets 22 et 23
Algorithme de
Yates
 Modèle mathématique 18

Le modèle mathématique postulé est un modèle du premier degré par rapport à

chaque facteur, sans interaction:

Le modèle avec interactions d’ordre 2 prend en considération les interaction entre

chaque facteur et un autre

Modèle complet: Le modèle générique à k facteurs avec toutes les interactions

a0 représente l’effet théorique et les ai représentent les effets principaux des
différents facteurs.
Les effets des interactions sont quantifiés et représentés par les coefficients aij
3.3. Calcul des effets: Effets globaux et effets 19

moyens
Soit la matrice d’expériences avec
réponses (yi) pour un plan
factoriel complet 22 pour deux
facteur nommés x1 et x2.

Effet moyen:
Les effets moyens d’un facteur aux
niveau -1 et +1 correspondent aux
moyennes des réponses pour chaque
niveau. Idem pour le facteur x2

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
Idem pour le facteur x2
facteur à son niveau haut.

D’une manière générale, quand le modèle choisi est un polynôme, les coefficients des
termes du premier degré sont les effets des facteurs.
 20
Réponse théorique:
C’est la moyenne des réponses
observées aux niveaux -1 et +1.

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 xixj...xk, et que
nous l’obtenons en faisant le produit ”ligne à ligne” des colonnes des variables.
L’effet moyen et l’effet global d’une interaction peuvent être calculés de la même
manière que celle de l’effet global d’un facteur et son effet moyen.
 21

Exemple d’application
Considérons le processus de cuisson d’un gâteau dont nous voulons étudier l’effet de
la température (T) et la durée (D) de la cuisson sur l’épaisseur (E) du gâteau.

Les résultats mesurés de l’épaisseur (E) pour chaque expérience réalisée, sont
donnés dans le tableau:

Déterminer les coefficients du modèle complet:

l’effet théorique a0
Les effets principaux et l’effet d’interaction a1, a2, a12
Remplir la matrice des effets
 22

Matrice d’expériences avec effets de l’exemple étudié:

Donc, on obtient l’équation mathématique suivante:

Comment puis-je avoir une prédiction de l’épaisseur de gâteux pour

une température de T=162,5 et une durée de D=22,5 min?
23
 24

Les plans factoriels 2k sont simples à concevoir et riches en informations :

Ils permettent de décrire quantitativement tous les effets des facteurs et de
toutes les interactions.

Ainsi, dès que le nombre de facteurs augmente, leur mise en œuvre devient
lourde et coûteuse, car le nombre des essais devient vite très important.

22= 4 23= 8 24= 16

expériences expériences expériences

25= 32 26= 64 27= 128

expériences expériences expériences

Plans
fractionnaires
 25

3.1 Plan fractionnaire

1. Comme son nom l’indique, le plan factoriel fractionnaire est une fraction d’un
plan factoriel complet.
2. Un plan factoriel fractionnaire est construit de manière à pouvoir encore
identifier les principaux effets sans acquérir les informations détaillées fournies
par un plan factoriel complet.
3. On sélectionne une fraction des essais d’un plan complet pour construire un
plan fractionnaire.
4. Cette sélection est basée sur des considérations mathématiques qui seront mises
en application grâce au calcul de Box.
5. Les expériences sont sélectionnées en utilisant une sélection symétrique des
angles, des diagonales et des diagonales opposées
6. Ces plans sont souvent appelés plans de criblage qui permettent d’étudier
beaucoup de facteurs et de déterminer ceux qui sont influents.
7. L’inconvénient de ce type de plan est que les effets sont confondus.

En général, un plan factoriel fractionnaire peut être décrit par N = 2k–p où :

• N est le nombre d’expériences.
• k est le nombre de facteurs à étudier.
• p est la taille de la fraction
 26
Exemple: La demi-fraction d’un plan à trois facteurs nécessite quatre essais. Le plan
comprend deux ensembles de quatre essais chacun, exactement équivalents sur le
plan mathématique, où chaque ensemble peut être choisi
A*B

Mais comment on
procède pour construire
un plan fractionnaire?
 27

3.2 Notion d’Alias et contraste

Un plan factoriel fractionnaire est généré à partir d’un plan factoriel complet en
choisissant une structure d’alias. La structure d’alias détermine quels effets sont
confondus.

Exemple: plan fractionnaire 23-1

I A B AB
1) Choix d’un plan de base 22=4
essais ABC BC AC C
2) Construire la matrice des 1 -1 -1 +1
effets de modèle saturé avec 1 +1 -1 -1
ce plan de base 1 -1 +1 -1
3) Le facteur C est confondu 1 +1 +1 +1
avec l’interaction AB (d’ordre
le plus élevé) C=AB C*C=ABC I=ABC
4) Détermination des confusions
résultantes C=AB Est confondu
Générateur d’alias
 Générateur d’Alias: 28

Les générateurs d’alias servent à calculer la structure des alias qui décrit les
confusions des plans factoriels fractionnaires.
Toute lettre multipliée par elle-même désigne l’identité I.
I multiplié par toute lettre désigne cette même lettre. Les lettres sont
commutatives et associatives.
Pour obtenir tous les alias pour chaque terme nous multiplions les termes de la
relation de définition par les facteurs initiaux constituant la matrice extraite.

Exemple: plan fractionnaire 24-1

I A B C AB AC BC ABC
1) Choix d’un plan de base
ABC BCD ACD ABD CD BD AD D
23=8 essais
D
2) Construire la matrice des
1 -1 -1 -1 +1 +1 +1 -1
effets de modèle saturé
1 +1 -1 -1 -1 -1 +1 +1
avec ce plan de base
3) Le facteur D est confondu 1 -1 +1 -1 -1 +1 -1 +1
avec l’interaction ABC 1 +1 +1 -1 +1 -1 -1 -1
4) Détermination des 1 -1 -1 +1 +1 -1 -1 +1
confusions résultantes 1 +1 -1 +1 -1 +1 -1 -1
D=ABC=I 1 -1 +1 +1 -1 -1 +1 -1
1 +1 +1 +1 +1 +1 +1 +1
Contrastes hi h0 h1 h2 h3 h4 h5 h6 h7
 29

Contrastes:

Les nouveaux coefficients hi calculés avec la matrice des effets par la

méthode habituelle seront nommés contrastes. Un contraste hi est une
somme d’effets de facteurs principaux et d’interactions.

h0 = a0 + aABCD
h1 = aA + aBCD
h2 = aB + aACD
h3 = aC + aABD
h4 = aAB + aCD
h5 = aAC + aBD
h6 = aBC + aAD
h7 = aABC + aD

Le calcul des contrastes hi peut être effectué en utilisant la méthode habituelle du
calcul des coefficients.
Le modèle mathématique qui lie les contrastes au différentes colonnes peut être
décrit sous la même forme que celles des plans complets.
 30
Exemple: plan fractionnaire 25-2
1) Choix d’un plan de base 23=8 essais
2) Construire la matrice des effets de modèle saturé avec ce plan de base
3) Le facteur D est confondu avec l’interaction AB et E avec AC
4) Détermination des confusions résultantes D=AB et AC=E:
donc I=ABD=ACE=BDCE

I A B C AB AC BC ABC
ABD BD AD AE D E DE CD
ACE CE ABCE BDE BCE BDC ABE BE
BDCE ABCDE CDE ABCD ADCE ABDE ACD ADE
1 -1 -1 -1 +1 +1 +1 -1
1 +1 -1 -1 -1 -1 +1 +1
1 -1 +1 -1 -1 +1 -1 +1
1 +1 +1 -1 +1 -1 -1 -1
1 -1 -1 +1 +1 -1 -1 +1
1 +1 -1 +1 -1 +1 -1 -1
1 -1 +1 +1 -1 -1 +1 -1
1 +1 +1 +1 +1 +1 +1 +1
h0 h1 h2 h3 h4 h5 h6 h7
 31

3.3 Estimation des effets et des interactions ai

Le calcul des contrastes hi peut être effectué en utilisant la méthode
habituelle du calcul des coefficients. Quant au calcul des effets des facteurs
principaux et des interactions pour obtenir un modèle en fonction des
différents termes, il est impossible de résoudre tel système l’équations car le
nombre d’inconnues est supérieur au nombre d’équations. Pour cela un
ensemble d’hypothèses peuvent être appliquées pour déduire (estimer) les
différentes valeurs des ai.

• Hypothèse 1 : Les interactions d’ordre 3 et plus sont supposées négligeables.

• Hypothèse 2 : S’il s’avère qu’un contraste est négligeable, tous les termes
aliasés avec ce contraste sont aussi négligeables.

• Hypothèse 3 : Si les effets de deux facteurs sont négligeables, l’effet de leur

interaction est aussi considéré comme négligeable.

• Hypothèse 4 : Si l’effet d’un des facteurs qui est composant d’une interaction
est négligeable, l’interaction est généralement aussi négligeable.
 32

Application:
Nous nous intéressons à étudier l’effet des 4 facteurs A, B, C et D sur une
réponse y.
La plan fractionnaire 24-1 est choisi comme méthode expérimental pour cette
étude, dont les réponses sont illustrées dans la table suivante:

Questions:
Quel est le plan de base choisi?
Le 4ème facteur est aliasé avec quelle interaction? Déduire le générateur d’alias.
A partir de ce générateur, défini tous les alias qui corresponds au différents termes.
Calculer les différentes contrastes.
Déduire les différents effets en appliquant les hypothèses citées précédemment.
 33

La matrice du plan fractionnaire 24-1 avec interactions peut être obtenue à partir
d’une matrice d’un plan complet (plan de base) = 23.
Le générateur d’alias pour ce plan est : I = ABCD.
À partir de ce générateur nous pouvons définir tous les alias qui correspondent
aux différents termes (A, B, C, AB, AC, BC et ABC) de la matrice en multipliant le
générateur d’alias par les termes de la matrice du plan 23).
Les contrastes sont calculés de la même manière que le calcul des effets.
 34
h0 = a0 + aABCD, en appliquant l’hypothèse 1
h1 = aA + aBCD,
h2 =aB +aACD,
h3 = aC +aABD, aABCD=0 donc h0 = a0 = 55,5
h4 = aAB +aCD, aBCD =0 donc h1 = aA =3,75
h5 = aAC +aBD, aACD =0 donc h2 =aB = -7,5
h6 = aBC +aAD, aABD =0 donc h3 = aC = 4
h7 = aD +aABC. aABC =0 donc h7 = aD = -0,75

en appliquant l’hypothèse 2

en appliquant l’hypothèse 4 h5 < 1,2 Donc aAC =aBD= 0

h6 < 1,2 Donc aBC =aAD = 0
aD = 0 donc aCD= 0 h7 < 1,2 Donc aD = 0
h4 = aAB = -2,75

Le modèle mathématique peut donc être écrit comme suit :

y = 55,5 + 3,75 A -7,5B + 4C -2,75 AB
35
 36

2.1. Tests de significations d’un effet

L’influence des facteurs et de leurs interactions est interprétée par les coefficients du
modèle postulé « ai ».
Le test de Student a pour but de fournir une règle de décision.
La prise de décision si l’effet d’un facteur ou d’une interaction est important ou non
est donnée par rapport à une valeur étalon qu’on appelle (tcrit) (Un effet sera dit
significatif s’il est, pour un risque donné, significativement différent de 0).
La valeur à tester « ti » sera le rapport de la valeur du coefficient « ai » sur la valeur
de son écart-type « Si »

ai Coefficient du chaque facteur

Si Ecart-type

Si2 Variance

n: nombre d’expérience réalisées

P: nombre de coefficients du modèle
yi valeur de la réponse expérimentale
ŷi valeur de la réponse estimée
 37

ŷi valeur de la réponse estimée, calculée

à partir de modèle

un risque α
degré de liberté ddl = n−p
 38

2.2. Détermination de la valeur critique tcrit

Le test de student est utilisé pour déterminer si l’effet de chaque
facteur est significatif avec un risque donné α, 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

Exemple:
La valeur critique de student tcrit pour un modèle dont p=7, n=8 et pour un risque
α=0.05 correspond à la cellule de l’intersection de la première ligne (n−p=1) et la
sixième colonne (α=0.05) dans la table de student
 39

Application:
En prenant l’exemple précédent de la cuisson d’un gâteau ou nous considérons
l’ajout ou le non ajout de la levure comme un facteur supplémentaire.
L’objectif de cette étude est de 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 complet 23. Il
définit le domaine d’étude des trois paramètres comme suit:

1) Réaliser une matrice de plan d’expériences factoriel complet

23 en prenant en considération les résultats expérimentaux.
2) Calculer l’effet de chaque facteur ainsi que les interactions.
3) Calculer la valeur de ti (test de student):
 Calculer tout d’abord la réponse estimée pour chaque
expérience Êi, l’écarte type Si ainsi que la variance S2
pour pouvoir calculer le ti
 40

Donc on obtient l’équation mathématique suivante:

Afin de pouvoir conduire le test statistique de Student, nous choisissons de supprimer

le dernier terme du modèle complet l’interaction d’ordre le plus élevé) pour éviter le
cas où le dénominateur n - p = 0. Le nouveau modèle à considérer est:
 41

Pour calculer la variance S2 nous calculons les réponses estimées Êi par le modèle
précédent ainsi que les écartes type Si :

La variance Si Ecart-type
 42

On calcul les valeurs ti = ai/Si et on compare leurs valeurs absolues à tcrit

La valeur de tcrit pour :
un risque = 0,05
degré de liberté ddl = n-p = 8-7=1
tcrit est prélevée de la table de Student tcrit = (0,05; 1) = 12,71

la duré de cuisson D et l’interaction DL ont un effet négligeable (considérés comme =

0) c-à-d qu’il y a moins de 5% de risque que leurs effets ne soient pas nuls. Quant aux
effets de la température, de la levure et les interactions TD et TL sont significatifs c-à-
d qu’il ont plus de 5% de risque que ces effets ne soient pas nuls
 43

2.3 Régression linéaire d’un modèle

Modèle de 1er
degré

Modèle de 2éme
degré

Modèle de n
degré
 44
2.4 Test de validation
L’analyse de la variance (ANOVA), consiste à comparer à l’aide d’un test f la
somme des carrés des écartes due uniquement à la régression au modèle avec la
somme des carrés de résidu

Notons que :
A. yi sont les réponses observées lors de la réalisation des expériences,
B. ȳ est la moyenne des réponses
C. ŷi sont les réponses estimées à l’aide du modèle.

On définit trois types de variations

Somme des carrés des Somme des carrés des

écarts dues à la liaison écarts des résidus

Variation total: Somme

totale des écarts des
résidus
 45

On définit de plus un « carré moyen » qui est le quotient d’une

somme de carrés par son degré de liberté:

Tableau ANOVA

En outre, on note:
CML le carré moyen associé à SCEL.
CMR le carré moyen associé à SCER.
 46

Le test F permet alors de comparer le Fcal que nous avons calculé dans le
tableau précédent avec le Fcrit (ddl1; ddl2 ; α) lu à partir de la table de Fisher-
Snedecor avec les degrés de liberté
ddl1 = p-1,
ddl2 = n-p
avec un risque fixé à l’avance .

En résumant:
• Si Fcal > Fcrit le modèle de la régression linéaire est considéré comme valide.
• Sinon, le modèle est considéré comme non valide.
 47

2.4.1 Mesures statistiques d’évaluation de

modèle:
Le coefficient R2 Le coefficient R2 ajusté

Le coefficient de détermination R2 Le R2 ajusté est une version modifiée du R2

montre dans quelle mesure un modèle qui a été ajustée en fonction du nombre de
de fonction correspond aux données. prédicteurs du modèle. Le R2 ajusté est
Plus R2 est proche de 1, meilleur est la toujours inférieur à R2.
correspondance. R2 est donc une
mesure de la qualité du modèle, il est
toujours entre 0 et 1.
 48

Application:
En prenant l’exemple précédent de la cuisson d’un gâteau où nous avons
obtenu le modèle mathématique suivant :

Nous voulons étudier la validité du modèle obtenu avec un risque ( α= 0,05) ainsi
que sa qualité (sa correspondance aux données mesurées, sa capacité de
prédiction et sa précision adéquate) en effectuant une analyse de la variance
(ANOV A) et en calculant les différentes mesures statistiques.
49
 50
Tableau ANOVA

Pour tester la validité du modèle obtenu, Fcal est comparé à Fcrit.

Fcrit est obtenu de la table de Fisher pour les paramètres α= 0,05,
ddl1 = p-1 et ddl2 = n-p (Fcrit(0,05; 6 ; 1) = 234).
Fcal > Fcrit donc le modèle de régression est valide.

Les valeurs de R2 et R2 ajusté sont très proches de 1 ce qui prouve que la qualité du
modèle est très bonne en ce qui concerne sa correspondance aux données observées.
51
 52

Les plans examinés précédemment n’avaient que deux niveaux d’étude par
facteur et les modèles mathématiques utilisés étaient du premier degré (avec ou
sans interactions) par rapport à chaque facteur.
Ces plans sont les plus employés car ils permettent le criblage des facteurs et
conduisent parfois à des modélisations simples mais suffisantes.

Mais, il existe de nombreux cas où il est nécessaire d’avoir une bonne

modélisation des phénomènes étudiés, où il faut passer à des modèles
mathématiques du second degré.

On fait alors appel aux plans pour surfaces de réponse. Ces plans utilisent des
modèles polynomiaux du second degré.
Par exemple : les plans composites, les plans de Box-Behnken et les plans de
Doehlert.
 53

Les plans pour surface de réponse « RSM »

1. La méthodologie pour surfaces de réponse, ou RSM, est un ensemble de

techniques mathématiques et statistiques dans laquelle une réponse
d’intérêt est influencée par plusieurs variables.

2. Les applications les plus étendues de RSM se situent dans les situations
particulières où plusieurs variables d’entrée influencent potentiellement une
mesure de performance (Réponse).

3. Les variables d’entrée sont appelées variables indépendantes et sont

soumises au contrôle du scientifique ou de l’ingénieur.
 54

La stratégie expérimentale d’exploration de

l’espace du processus

La modélisation empirique permettant de

développer une relation d’approximation
appropriée entre le réponse et les variables du
processus

Des méthodes d’optimisation permettant de

rechercher les valeurs des variables du
processus, qui produisent des valeurs
souhaitables de la réponse
 55
Objectifs des RSM:
RSM est une méthodologie qui permet aussi de modéliser un phénomène, en
tenant compte de la variabilité quadratique des facteurs.

Cette technique permet d’identifier et de déterminer d’une façon

quantitative l’influence significative de chaque paramètre sur la variation de
la réponse, en déterminant par la suite l’optimum (s’il existe) de chaque
paramètre dans le domaine d’étude (s’il existe) .

À l’ensemble de tous les points du domaine d’étude correspond un

ensemble de réponses qui se localisent sur la surface de réponse, qui seront
déterminés à l’aide d’un modèle mathématique de forme polynomiale de
seconde degré.
 56

Modélisation
La modélisation est le choix d’une équation mathématique qui relie la réponse
aux facteurs en utilisant le développement limité de la série de Tayor-Mac Laurin

ŷ: Réponse estimée.
b0 : Constante.
bi: Coefficient principal.
bii: Coefficient quadratique.
bij: Coefficient d’interaction.
et xi xj: Valeurs codées des variables.

Premièrement : établir une relation, entre y et x1, x2,. . . , xk qui peut être utilisée
pour prédire les valeurs de réponse pour des valeurs données des variables.
Deuxièmement : déterminer à l’aide des tests d’hypothèses la signification des
facteurs.
Troisièmement : déterminer les paramètres optimaux de x1, x2,. . . , xk
 57

Plans composites centrés

Un plan composite centré de Box-Wilson, couramment appelé Plan Composite
Centré, contient un plan factoriel ou fractionnaire incorporé avec des points
centraux augmentés d’un groupe de points en étoile permettant d’estimer la
courbure.
Si la distance entre le centre de l’espace du plan et un point factoriel est de ±1 unité
pour chaque facteur, la distance entre le centre de l’espace de calcul et un point en
étoile est ǀαǀ > 1.

Les plans composites présentent donc trois

parties

Le plan factoriel : c’est un Le plan en étoile : les Les points au centre du

plan factoriel complet ou points du plan en étoile domaine d’étude. On
fractionnaire à deux sont sur les axes et ils sont, prévoit toujours des
niveaux par facteurs. Les en général, tous situés à la points expérimentaux
points expérimentaux sont même distance du centre situés au centre du
aux sommets du domaine du domaine d’étude. domaine d’étude
d’étude.
 58

Le nombre total n d’essais à réaliser est la somme des essais du plan factoriel (nf ),
des essais du plan en étoile (nα) et des essais au centre (n0). Le nombre n des essais
d’un plan composite est donné par la relation :
n = nf + na + n0

Pour le plan composite centré pour trois facteurs:

Les points 1, 2, 3, 4, 5, 6, 7, 8 sont les points expérimentaux d’un plan 23.
Le point 15 est le point central. Ce point peut être répliqué plusieurs fois.
Les points 9, 10, 11, 12, 13 et 14 sont les points axiaux. Ces six derniers points
forment le plan en étoile.
 59

Les points en étoiles sont à une certaine distance du centre en fonction des
propriétés souhaitées pour le plan et du nombre de facteurs de la conception. Ces
modèles ont une symétrie circulaire, sphérique ou hyper-sphérique et nécessitent 5
niveaux pour chaque facteur.

La valeur de dépend du nombre d’essais expérimentaux dans la partie factorielle

(complète ou fractionnaire) du plan composite centré :
α = (2k-p)1/4

Exemple:

Matrice d’expériences pour un plan

composite centré pour 3 facteurs A, B
et C avec trois répétions du point
central.
α = (2k-p)1/4 = (23-0)1/4 = 1,6818
 60

Plan de Box-Behnken
Le plan de Box-Behnken est une méthodologie pour
surfaces de réponse (RSM) qui ne nécessite que
trois niveaux (-1, 0, +1) pour exécuter une
expérience. Il s’agit d’un plan spécial à 3 niveaux et
il ne contient aucun point aux sommets de la région
expérimentale.

Avantages:
Ces plans sont faciles à mettre en œuvre
et possèdent la propriété de
séquentialité. On peut entreprendre
l’étude des k premiers facteurs en se
réservant la possibilité d’en ajouter de
nouveaux sans perdre les résultats des
essais déjà effectués.
 61

Plan Doehlert
En 1970, D.H Doehlert a proposé un nouveau plan pour les modèles du
second ordre où les points remplissent d’une manière uniforme l’espace
expérimental. C’est une conception de forme hexagone régulière pour un plan
à deux facteurs et il s’agit d’une forme sphérique, pour trois facteurs
 62
la répartition uniforme des
points permet d’étendre le plan
vers n’importe quelle direction de Le nombre
l’espace étudié, en ajoutant des d'expériences «n»
points qui seront aussi repartis dépend du nombre de
d’une manière régulière, ce qui facteurs «k» sans
facilite l’exploitation de l’espace points centraux, n = k
expérimental. (k + 1). Pour les points
centraux, un seul point
ou plus peut ou
peuvent être ajouté(s)

Le nombre de niveaux dans la conception

Dans ce genre de plan,
Doehlert n'est pas le même pour toutes les variables.
l’introduction d’un
Dans un plan Doehlert à trois variables, la première
nouveau facteur est très
variable « 5 niveaux », la seconde « 7 niveaux » et
facile, en complétant les
la troisième « 3 niveaux », ce qui permet un choix
premières expériences déjà
libre des variables qui auront un petit ou un grand
faites et aucune de ces
nombre de niveaux à savoir le paramètre le plus fort
expériences ne sera perdue.
qu’aura plus de niveaux pour obtenir plus
d’informations.
 63

Essai Facteur 1 Facteur 2 Facteur 3

1 0,000 0,000 0,000

2 +1,000 0,000 0,000

3 +0,500 +0,866 0,000

4 -0,500 +0,866 0,000

5 -1,000 0,000 0,000

6 -0,500 -0,866 0,000

7 +0,500 -0,866 0,000

8 +0,500 +0,289 +0,816

9 -0,500 +0,289 +0,816

10 0,000 -0,577 +0,816

11 +0,500 -0,289 -0,816

12 -0,500 -0,289 -0,816

13 0,000 +0,577 -0,816

 64

Surface de réponse
Les surfaces de réponse reproduisent les variations d’un phénomène donné dans un
espace à trois dimensions. Le plan horizontal de cet espace matérialise le domaine
de variation de 2 facteurs alors que l’axe vertical matérialise la variation de la
réponse à partir du modèle empirique.
Si on a plus que 2 facteurs, il faut dans ce cas fixer à un niveau constant les autres
facteurs qui ne figurent pas dans le plan horizontal.
 65

Courbe Iso-réponse
Les courbes iso-réponse sont une sorte de projection d’une surface tridimensionnelle
(surface de réponse) sur un plan à deux dimensions. Ces courbes sont présentées
comme des courbes de niveaux, dessinées sur une carte topographique. Tout comme
pour les surfaces de réponse, cette représentation ne fait intervenir que 2 facteurs à la
fois, les autres devant être fixés à un niveau constant.
 66

Application
L’élimination d’un colorant dans une eau a été effectuée avec le procédé
d’adsorption sur charbon actif, trois paramètres expérimentaux ont été
étudiés à savoir:
X1 : Concentration de polluant
X2 : dose de charbon
X3 : Le pH de milieu
Pour la modélisation et optimisation de ces paramètres, le plan Box-
Behnken à 3 facteurs a été choisi.

Réaliser la matrice de box-Behnken avec les valeurs codées ainsi que la

matrice expérimentale (avec les valeurs réels)
 67

La matrice de Box-Behnken (à gauche) et la matrice expérimentale avec

les résultats expérimentaux (à droite) sont illustrés dans les tableaux
suivants:

Trouvé les coefficients ainsi que le modèle mathématique.

68