Tutoriel

LES PLANS D’EXPERIENCES

Jacques GOUPY
 LES PLANS D’EXPERIENCES

1. INTRODUCTION

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

accompagnent une recherche scientifique ou des études industrielles [1]. 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, xi. Il faut penser aux plans d'expériences si l’on s’intéresse à une
fonction du type :
𝑦 = 𝑓 (𝑥𝑖 )

Avec les plans d'expériences on obtient le maximum de renseignements avec le

minimum d'expériences. Pour cela, il faut suivre des règles mathématiques et
adopter une démarche rigoureuse [2]. Il existe de nombreux plans d'expériences
adaptés à tous les cas rencontrés par un expérimentateur. Les principes
fondamentaux de cette science seront indiqués et les principaux plans seront
passés en revue.
La compréhension de la méthode des plans d'expériences s'appuie sur deux
notions essentielles, celle d'espace expérimental et celle de modélisation
mathématique des grandeurs étudiées.
2. Notion d'espace expérimental
Un expérimentateur qui lance une étude s'intéresse à une grandeur qu'il mesure à
chaque essai. Cette grandeur s'appelle la réponse, c'est la grandeur d'intérêt. La
valeur de cette grandeur dépend de plusieurs variables. Au lieu du terme
«variable» on utilisera le mot facteur. La réponse dépend donc de un ou de
plusieurs facteurs. Le premier facteur peut être représenté par un axe gradué et
orienté (Figure 1). La valeur donnée à un facteur pour réaliser un essai est appelée
niveau. Lorsqu'on étudie l'influence d'un facteur, en général, on limite ses
variations entre deux bornes. La borne inférieure est le niveau bas. La borne
supérieure est le niveau haut.
Figure 1 : Le niveau bas du facteur est noté par - 1 et le niveau haut par +1. Le
domaine de variation du facteur est constitué de toutes les valeurs comprises
entre le niveau bas et le niveau haut.
L'ensemble de toutes les valeurs que peut prendre le facteur entre le niveau bas et
le niveau haut, s'appelle le domaine de variation du facteur ou plus simplement le
domaine du facteur. On a l'habitude de noter le niveau bas par –1 et le niveau haut
par +1.
S'il y a un second facteur, il est représenté, lui aussi, par un axe gradué et orienté.
On définit, comme pour le premier facteur, son niveau haut, son niveau bas et son
domaine de variation. Ce second axe est disposé orthogonalement au premier. On
obtient ainsi un repère cartésien qui définit un espace euclidien à deux dimensions.
Cet espace est appelé l'espace expérimental (Figure 2).

Figure 2 : Chaque facteur est représenté par un axe gradué et orienté. Les axes des
facteurs sont orthogonaux entre eux. L'espace ainsi défini est l'espace
expérimental.
Le niveau x1 du facteur 1 et le niveau x2 du facteur 2 peuvent être considérés
comme les coordonnées d'un point de l'espace expérimental (Figure 3). Une
expérience donnée est alors représentée par un point dans ce système d'axes. Un
plan d'expériences est représenté par un ensemble de points expérimentaux.
 Figure 3 : Dans l'espace expérimental, les niveaux des facteurs définissent des
points expérimentaux.
Le regroupement des domaines des facteurs définit le «domaine d'étude». Ce
domaine d'étude est la zone de l'espace expérimental choisie par l'expérimentateur
pour faire ses essais. Une étude, c'est-à-dire plusieurs expériences bien définies,
est représentée par des points répartis dans le domaine d'étude (Figure 4).
Cette façon de représenter une expérimentation par des points dans un espace
cartésien est une représentation géométrique de l'étude. Une autre représentation
d'une étude sera introduite au paragraphe 2.1.

Figure 4 : Les points expérimentaux sont disposés dans le domaine d'étude

défini par l'expérimentateur.
Les définitions qui ont été données s'appliquent bien aux variables continues.
Mais il existe d'autres types de variables. Il y a les variables discrètes comme par
exemple des personnes : Julien, Arthur, Louis, Simon et Nathan. On peut encore
parler d'espace expérimental mais il n'aura pas les mêmes propriétés que l'espace
des variables continues. Il y a également les grandeurs ordonnables comme, par
exemple, des distances qui peuvent être courtes, moyennes et longues. Là aussi,
la notion d'espace expérimental existe toujours mais cet espace possède des
propriétés différentes des deux premiers.
2.1 Notion de surface de réponse
Les niveaux xi représentent les coordonnées d'un point expérimental et y est la
valeur de la réponse en ce point. On définit un axe orthogonal à l'espace
expérimental et on l'attribue à la réponse. La représentation géométrique du plan
d'expériences et de la réponse nécessite un espace ayant une dimension de plus
que l'espace expérimental. Un plan à deux facteurs utilise un espace à trois
dimensions pour être représenté : une dimension pour la réponse, deux dimensions
pour les facteurs.
A chaque point du domaine d'étude correspond une réponse. A l'ensemble de tous
les points du domaine d'étude correspond un ensemble de réponses qui se
localisent sur une surface appelée la surface de réponse (Figure 5).
Le nombre et de l'emplacement des points d'expériences est le problème
fondamental des plans d'expériences. On cherche à obtenir la meilleure précision
possible sur la surface de réponse tout en limitant le nombre d’expériences.
Réponse

Facteur 2

D
+1 C

-1
A B Facteur 1

-1 +1

Figure 5 : Les réponses associées aux points du domaine d'étude forment la

surface de réponse. Les quelques réponses mesurées aux points du plan
d'expériences permettent de calculer l'équation de la surface de réponses.
2.2 Notion de modélisation mathématique
On choisit a priori une fonction mathématique qui relie la réponse aux facteurs.
On prend un développement limité de la série de Taylor-Mac Laurin. Les dérivées
sont supposées constantes et le développement prend la forme d'un polynôme de
degré plus ou moins élevé :
𝑦 = a 0 + ∑ a 𝑖 𝑥𝑖 + ⋯ + ∑ a𝑖𝑗 𝑥𝑖𝑥 𝑗 + ∑ a𝑖𝑖 x 2 + 𝑎𝑥𝑥 … 𝑥

où
• y est la réponse ou la grandeur d'intérêt. Elle est mesurée au cours
de l'expérimentation et elle est obtenue avec une précision
donnée.
• xi représente le niveau attribué au facteur i par l'expérimentateur
pour réaliser un essai. Cette valeur est parfaitement connue. On
suppose même que ce niveau est déterminé sans erreur (hypothèse
classique de la régression).
• a0, ai, aij, aii sont les coefficients du modèle mathématique
adopté a priori. Ils ne sont pas connus et doivent être calculés
à partir des résultats des expériences.
L'intérêt de modéliser la réponse par un polynôme est de pouvoir calculer ensuite
toutes les réponses du domaine d'étude sans être obligé de faire les expériences.
Ce modèle est appelé "modèle postulé" ou "modèle a priori".
2.3 Le modèle de l'expérimentateur
Deux compléments doivent être apportés au modèle précédemment décrit.
Le premier complément est le "manque d'ajustement". Cette expression traduit le
fait que le modèle a priori est fort probablement différent du modèle réel qui
régit le
Phénomène étudié. Il y a un écart entre ces deux modèles. Cet écart est le manque
d'ajustement (lack of fit en anglais).
Le second complément est la prise en compte de la nature aléatoire de la réponse.
En effet, si l'on mesure plusieurs fois une réponse en un même point expérimental,
on n'obtient pas exactement le même résultat. Les résultats sont dispersés. Les
dispersions ainsi constatées sont appelées erreurs expérimentales.
Ces deux écarts, manque d'ajustement et erreur expérimentale, sont souvent réunis
dans un seul écart, notée e. Le modèle utilisé par l'expérimentateur s'écrit alors :
𝑦 = a0 + ∑ a𝑖 𝑥𝑖 + ∑ a𝑖𝑗 𝑥𝑖𝑥 𝑗 + ⋯ + ∑ a𝑖𝑖 x 2 + 𝑎𝑖𝑗…𝑧 𝑥𝑖𝑥𝑗 … 𝑥𝑧 + 𝑒

2.4 Système d'équations

Chaque point expérimental permet d'obtenir une valeur de la réponse. Cette
réponse est modélisée par un polynôme dont les coefficients sont les inconnues
qu'il faut déterminer. A la fin du plan d'expériences, on a un système de n
équations (s'il y a n essais) à p inconnues (s'il y a p coefficients dans le modèle
 choisi a priori). Ce système s'écrit d'une manière simple en notation matricielle :
𝒚 = 𝑿𝒂 + 𝒆

𝒚est le vecteur des réponses.

X est la matrice de calcul, ou matrice du modèle, qui dépend des points
expérimentaux choisis pour exécuter le plan et du modèle postulé.
a est le vecteur des coefficients.
e est le vecteur des écarts.
Ce système possède un nombre d'équations inférieur au nombre d'inconnues. Il y
a n équations et p + n inconnues. Pour le résoudre, on utilise une méthode de
régression basée sur le critère des moindres carrés. On obtient ainsi les estimations
des coefficients que l'on note :
𝑎̂

Le résultat de ce calcul est

̂
𝒂
= (𝑿′ 𝑿)−𝟏 𝑿′ 𝒚
Formule dans laquelle la matrice X' est la matrice transposée de X De nombreux
Logiciels exécutent ce calcul et donnent directement les valeurs des
coefficients. Deux matrices interviennent constamment dans la théorie des plans
d’expériences :
 La matrice d’information 𝑿′ 𝑿
 La matrice de dispersion(𝑿′𝑿)−1

 Nous allons maintenant appliquer les notions et les propriétés que

nous venons de décrire aux plans d’expériences les plus classiques.
Nous verrons successivement les plans suivants :
 Plans factoriels complets à deux niveaux. Plans factoriels
fractionnaires à deux niveaux. Autres plans à deux niveaux.
 Plans à plusieurs niveaux.

 Plans pour surfaces de réponse. Plans de mélanges.

 Plans booléens.

 Plans optimaux.
 Plans pour simulations numériques.
3. PLANS FACTORIELS COMPLETS A DEUX NIVEAUX
Ces plans possèdent un nombre de niveaux limité à deux pour chaque facteur.
Toutes les combinaisons de niveaux sont effectuées au cours de l'expérimentation.
Ces plans peuvent être utilisés indistinctement pour les variables continus et pour
les variables discrètes.
3.1 Plan à deux facteurs
Pour deux facteurs, le domaine d'étude est un carré (en unités codées- voir annexe
1). Par exemple, la Figure 6 représente un plan factoriel complet à deux facteurs.
Le modèle mathématique postulé est un modèle du premier degré par rapport à
chaque facteur :
𝑦 = 𝑎0 + 𝑎1 𝑥1 + 𝑎2 𝑥2 + 𝑎12 𝑥1 𝑥2 + 𝑒

 y est la réponse

 𝒙𝒊 représente le niveau attribué au facteur i.

 𝒂𝟎 est la valeur de la réponse au centre du domaine d'étude.

 𝒂𝟏 est l'effet (ou effet principal) du facteur 1.

 𝒂𝟏 est l'effet (ou effet principal) du facteur 2.

 𝒂𝟏𝟐 est l'interaction entre les facteurs1 et 2.

 e est l'écart.

On démontre que les meilleurs emplacements des points d'expériences sont situés
aux sommets du domaine d'étude.

Figure 6 : Les meilleurs emplacements des points expérimentaux sont les sommets
du domaine d'étude lorsque le modèle postulé est du premier degré.
3.1.1 Représentation d'une étude sous forme de tableau

Les représentations géométriques sont commodes et très parlantes mais dès que
le nombre de facteurs est supérieur à trois, elles ne peuvent plus être employées.
Pour les espaces multidimensionnels, on adopte une représentation en forme de
tableau. Pour montrer la correspondance entre les deux représentations,
géométrique et tableau, nous allons expliquer la construction du tableau
rassemblant les expériences du plan 22 associé à la Figure 6

Ce tableau comprend trois colonnes, la première identifie les essais, la seconde et

la troisième indiquent les coordonnées des points d'expériences. L'essai n°1 est
celui pour lequel les deux facteurs étudiés sont aux niveaux bas, 20°C (ou - 1 en
unités codées) et 5 grammes (ou - 1 en en unités codées). Cet essai n°1 correspond
au point A de la Figure 6. L'essai n°2 est celui pour lequel le premier facteur est
fixé au niveau haut, 80 °C (ou +1 en unités codées) et le second facteur est fixé
au niveau bas : 5 grammes (ou - 1 en unités codées). Cet essai n°2 correspond au
point B.

Ce tableau s'appelle Tableau d'expérimentation s'il est construit avec les unités
physiques habituelles (Tableau 1) et Plan d'expériences s'il emploie les unités
codées (Tableau 2). Dans ce dernier cas, on rappelle la signification des unités
codées en indiquant, pour chaque facteur, leurs valeurs en unités physiques
habituelles en bas du tableau.
Tableau 1 : Tableau d'expérimentation (unités courantes).

N° essai Temperature (1) Poids (2)

1 (A) 20 °C 5 grammes
2 (B) 80 °C 5 grammes
3 (C) 20 °C 10 grammes
4 (D) 80 °C 10 grammes

La représentation qui utilise les unités codées est plus générale que celle qui
emploie les unités physiques habituelles. C'est celle qui est le plus souvent adoptée
et c’est celle que nous utiliserons par la suite.

Tableau 2 : Plan d'expériences (unités codées).

N° essai Facteur 1 Facteur 2

1 (A) -1 -1
2 (B) +1 -1
3 (C) -1 +1
4 (D) +1 +1

Niveau -1 20 °C 5 grammes
Niveau .+1 80 °C 10 grammes

Les représentations géométriques et les représentations par tableaux sont

équivalentes. Les tableaux (ou matrices) présentent l'avantage de pouvoir être
utilisés quel que soit le nombre de facteurs, c'est-à-dire quel que soit le nombre de
dimensions de l'espace expérimental. Il est utile de savoir passer d'une
représentation à l'autre pour bien interpréter les résultats des plans d'expériences.
1.1.1 Présentation des résultats d'essais
A chaque essai, l'expérimentateur mesure la réponse qu'il a choisie. Par exemple,
la réponse de l'essai n° 1 est y1. Celle de l'essai n° 2 est y2, et ainsi de suite. Ces
réponses sont indiquées en face chaque essai et sont rassemblées dans la colonne
«Réponse» (Tableau 3).
Tableau 3 : Plan d’expériences et résultats expérimentaux.

N° essai Facteur 1 Facteur 2 Réponse

1 -1 -1 y1
2 +1 -1 y2
3 -1 +1 y3
4 +1 +1 y4

Niveau - 1 20 °C 5 grammes
Niveau +1 80 °C 10 grammes

1.1.1 Calcul des coefficients

Les quatre points d'expériences apportent quatre équations.
𝑦1 = 𝑎0 + 𝑎1 𝑥1,−1 + 𝑎2 𝑥2,−1 + 𝑎12 𝑥1,−1 𝑥2,−1 + 𝑒1
𝑦2 = 𝑎0 + 𝑎1 𝑥1,+1 + 𝑎2 𝑥2,−1 + 𝑎12 𝑥1,+1 𝑥2,−1 + 𝑒2
𝑦3 = 𝑎0 + 𝑎1 𝑥1,−1 + 𝑎2 𝑥2,+1 + 𝑎12 𝑥1,−1 𝑥2,+1 + 𝑒2
𝑦4 = 𝑎0 + 𝑎1 𝑥1,+1 + 𝑎2 𝑥2,+1 + 𝑎12 𝑥1,+1 𝑥2,+1 + 𝑒4

La résolution de ce système donne la valeur des coefficients :

1
𝑎
̂0 = [+𝑦1 + 𝑦2 + 𝑦3 + 𝑦4 ]
4
1
̂1 = [−𝑦1 + 𝑦2 − 𝑦3 + 𝑦4 ]
𝑎
4
1
̂2 = [−𝑦1 − 𝑦2 + 𝑦3 + 𝑦4 ]
𝑎
4
1
𝑎̂12 = [+𝑦1 − 𝑦2 − 𝑦3 + 𝑦4 ]
4
Connaissant les coefficients, on peut écrire le modèle de régression qui servira à
faire des prévisions
𝑦
̂=𝑎
̂0 + 𝑎
̂𝑥0 1+𝑎
̂𝑥2 2 + 𝑎̂
12 𝑥1 𝑥2

̂𝟎
1.1.2 Signification de 𝒂
Si l'on donne à x1 et à x2 la valeur zéro, on définit le centre du domaine d'étude.
La relation {6} devient alors
̂0
𝑦̂ = +𝑎

Le coefficient. 𝑎̂0 est la valeur calculée de la rép onse au centre du

domaine d'étude
1.1.3 Signification de
Plaçons nous maintenant au niveau moyen du facteur 2, pour cela donnons la
valeur zéro à𝑥2 . La relation {6} devient :
𝑦̂ = +𝑎
̂0 + 𝑎
̂𝑥
1 1

Cette relation permet de tracer l'évolution de la réponse prédite dans un plan

de coupe𝑥2 = 0 (Figure 7). L'effet du facteur 1 apparaît comme la variation
de la réponse quand on passe du niveau zéro au niveau haut du facteur 1.

Figure 7 : Dans le plan moyen du facteur 2, l'effet du facteur 1 est la variation de la

réponse entre le centre du domaine d’étude et le niveau haut du facteur 1.

3.1.2 Signification de
La relation {6d} peut s'écrire
(𝑎_12 ) ̂ = 1/2 [1/2 (𝑦_4 − 𝑦_3 ) − 1/2 (𝑦_2 − 𝑦_1 )] = 1/2 [+𝑒𝑓^ + −𝑒𝑓^− ]
L'interaction apparaît comme la demi différence entre l'effet du facteur 1 au
niveau haut du facteur 2 (effet noté ef+) et l'effet du facteur 1 au niveau bas du
facteur 2 (effet noté ef -). Elle traduit une variation de l'effet d'un facteur en
fonction du niveau d'un autre facteur.
L'interaction entre les deux facteurs 1 et 2 est une interaction d'ordre 2.
3.2 Exemple 1 : «Amélioration du rendement»
3.2.1 Description de l'étude
Un industriel cherche à augmenter le rendement de sa fabrication. Il prépare un
médicament à partir de plantes naturelles et cherche à améliorer le rendement
d'extraction du principe actif. L'extraction est effectuée en présence de chlorure
de sodium dont la concentration est de 50 grammes par litre et à une température
de 70°C. L'industriel décide d'étudier ces deux facteurs et de les faire varier autour
des consignes normales de fonctionnement. D'où les facteurs et le domaine d'étude
:
• Facteur 1 : concentration en chlorure de sodium entre 40 et
60 grammes.
 • Facteur 2 : température entre 60°C et 80°C.

La réponse est la masse de produit actif fabriqué.

L'industriel exécute un plan factoriel complet 22. Ce plan est définit par Tableau
4. Les résultats expérimentaux sont consignés dans la colonne "Réponse"
Tableau 4 : Plan d’expériences et résultats expérimentaux
N° essai Facteur Facteur Réponse
1 2 grammes
1 -1 -1 y1 = 115
2 +1 -1 y2= 185
3 -1 +1 y3= 104
4 +1 +1 y4= 156

Niveau -1 40 60°C
Niveau + 60 80°C

1.1.1 Interprétation

Les calculs sont effectués en utilisant la relation {4}.

Tableau 5 : Tableau des effets.

Moyenne 140 grammes

Effet de 1 30,5 grammes
Effet de 2 -10 grammes
Interaction -4,5 grammes

L'effet de la concentration est de 30,5 grammes pour une variation de 10 grammes

en chlorure de sodium (Figure 8). On peut donc améliorer la production en
augmentant la concentration en chlorure de sodium.
L'effet de la température est de -10 grammes pour une variation de 10°C. Il en
résulte qu'il faut baisser la température pour améliorer le rendement.
Figure 8 : Effets de la concentration en chlorure de sodium et de la température sur
le rendement en produit actif.

Pour avoir une vue d'ensemble des résultats, on trace les courbes isorendement
dans le domaine d'étude (Figure 9)

Figure 9 : Courbes isoréponses montrant l'influence de la concentration en chlorure

de sodium et de la température sur le rendement en produit actif.

3.3 Plans factoriels à k facteurs à 2 niveaux

On peut augmenter le nombre de facteurs. L'espace expérimental possède autant
de dimensions qu'il y a de facteurs et le modèle mathématique correspond à la
relation
{2}.
Un plan comportant k facteurs à deux niveaux est noté 2k.
• Le k en exposant signifie qu'il y a k facteurs étudiés.
• Le 2 indique le nombre de niveaux par facteur.
On remarquera que cette notation indique également le nombre d'essais à réaliser.
Ce nombre devient rapidement très important. Pour seulement 7 facteurs, il
faudrait exécuter 128 essais. Pour diminuer le nombre des essais en conservant la
possibilité d'étudier tous les facteurs, les plans factoriels fractionnaires à deux
niveaux ont été introduits.

4. PLANS FACTORIELS FRACTIONNAIRES A DEUX NIVEAUX 2k-q

Les plans factoriels fractionnaires sont des plans factoriels qui permettent
d'étudier tous les facteurs mais dont le nombre d'essais est réduit par rapport aux
plans factoriels complets. Un plan factoriel fractionnaire à 2 fois moins, ou 4 fois
moins ou 2q fois moins d'essais que le factoriel complet correspondant.
A la fin d'un plan factoriel fractionnaire, on a un système de n équations à p
coefficients inconnus avec p plus grand que n. On ne sait pas résoudre un tel
système. Comme on ne peut pas augmenter le nombre d'équations, il faut diminuer
le nombre d'inconnues. On y arrive en utilisant un artifice : on regroupe les
coefficients de telle manière qu'il y ait n inconnues. On résout donc un système
de n équations à n groupes de coefficients. On appelle ces groupes de coefficients,
des contrastes ou des aliases et on dit que les coefficients sont alaisées dans les
contrastes.
4.1 Notation des plans factoriels fractionnaires
Pour k facteurs prenant deux niveaux le plan complet est noté 2k.
Le plan fractionnaire, moitié du plan complet possède 1/2 2k ou 2k-1 essais. On
peut donner une signification à chaque caractère de cette notation :
Le k signifie qu'il y a k facteurs étudiés.
Le 2 signifie que chaque facteur prend deux niveaux.
Le 1 signifie que le nombre d'essais du plan a été divisé par 21.

Un plan 25-2 permet d'étudier cinq facteurs prenant chacun deux niveaux en 8
essais. Le plan complet a été divisé par 22 = 4.
Un plan 2k-q permet d'étudier k facteurs prenant chacun deux niveaux. Le plan
complet a été divisé par 2q.
1.1 Application au plan factoriel fractionnaire 23-1
On veut étudier 3 facteurs en ne faisant que 4 essais. On prend la précaution
de choisir les 4 essais pour que la matrice Xs soit une matrice orthogonale
D’Hadamard. Les 4 points choisis sont disposés comme l'indique la Figure 10.
 Figure 10 : Un plan factoriel complet 23 peut être divisé en deux plans factoriels
fractionnaires 23-1, un plan noir et un plan gris.

Le modèle mathématique de la réponse d'un plan factoriel à 3 facteurs comporte 8

coefficients (modèle 1)

𝑦 = 𝑎0 + 𝑎1 𝑥1 + 𝑎2 𝑥2 + 𝑎3 𝑥3 + 𝑎12 𝑥1 𝑥2 + 𝑎13 𝑥1 𝑥3 + 𝑎23 𝑥2 𝑥3 + 𝑎123 𝑥1 𝑥2 𝑥3

Si on effectue 4 essais, on obtient un système de quatre équations à 8 inconnues :

yXa {11}

On ne sait pas résoudre le système {11}. Comme il n'y a que 4 essais, on ne

peut calculer que 4 inconnues. On adopte le modèle (modèle 2) :

𝑦 = 𝑙0 + 𝑙1 𝑥1 + 𝑙2 𝑥2 + 𝑙3 𝑥3

avec
𝑙0 = 𝑎0 + 𝑎123
𝑙1 = 𝑎1 + 𝑎23
𝑙2 = 𝑎2 + 𝑎13
𝑙3 = 𝑎3 + 𝑎12
On sait calculer les contrastes ℓi du modèle 2. Mais la difficulté est d'arriver à
interpréter ces contrastes pour remonter aux coefficients.
4.2 Application au plan factoriel fractionnaire 25-2
Le modèle 1 du plan complet comporte 32 coefficients inconnus.
Le modèle 2 est établi avec 8 essais de telle manière que la matrice Xs soit une
matrice orthogonale d'Hadamard. On obtient, par exemple, le plan d'expériences
d'une telle matrice en prenant les colonnes 1, 2, 3, 12 et 13 de la matrice de calcul
d'un plan 23 (Tableau 6). Les niveaux d'étude du facteur 4 sont donnés par les
signes de l'interaction 12 et ceux du facteur 5 par les signes de l'interaction 1 3.

Tableau 6 : Plan d'expériences du plan factoriel fractionnaire 25-2.

 Numéro Facteur Facteur Facteur Facteur Facteur
de 1 2 3 4 = 12 5 =13
l'essai
1 - - - + +
2 + - - - -
3 - + - - +
4 + + - + -
5 - - + + -
6 + - + - +
7 - + + - -
8 + + + + +

On obtient un système de 8 équations à 32 inconnues qui s'écrit sous forme

matricielle :

𝒚= 𝑿 𝒂
8.1 8.32 32.1
Pour réduire le nombre des inconnues, on introduit 8 contrastes.
𝒚 = 𝑿𝑠 𝑙
(8.1) (8.8) (8.1)

La meilleure façon de savoir comment les coefficients sont aliasés dans les
contrastes, est de faire appel aux logiciels. Dans les cas simples, on peut utiliser
le calcul de Box. Pour cet example on trouve:
ℓ0 = 𝑎0 + 𝑎124 + 𝑎135 + 𝑎2345
ℓ1 = 𝑎1 + 𝑎24 + 𝑎35 + 𝑎2345
ℓ2 = 𝑎2 + 𝑎14 + 𝑎345 + 𝑎1235
ℓ3 = 𝑎3 + 𝑎15 + 𝑎245 + 𝑎1234
ℓ4 = 𝑎4 + 𝑎12 + 𝑎235 + 𝑎1345
ℓ5 = 𝑎5 + 𝑎13 + 𝑎234 + 𝑎1245
ℓ23 = 𝑎23 + 𝑎45 + 𝑎125 + 𝑎134
ℓ123 = 𝑎123 + 𝑎25 + 𝑎34 + 𝑎145

4.3 Le pari des plans fractionnaires

D'après les relations {13} et {16} un contraste n'est égal à un effet principal que si
les interactions avec lesquelles il est aliasé sont négligeables. C'est donc le pari que
l'on fait quand on réalise un plan fractionnaire. On espère que les interactions sont
assez faibles pour être négligées. A chaque fois que ce sera le cas, on aura gagné.
Mais si l'interaction est forte il faudra faire des essais supplémentaires pour évaluer
individuellement l'effet principal d'un côté et les interactions de l'autre.
Le problème qui se pose toujours est de savoir si un contraste contient ou non une
interaction non négligeable. C'est le point délicat de l'interprétation des plans
fractionnaires. On résout ce problème en connaissant bien la théorie des aliases et
en appliquant intelligemment les hypothèses d'interprétation (paragraphe suivant).
Mais rien n'est ici automatique et l'expérimentateur devra mettre en œuvre son
bon sens et les connaissances qu'il a du phénomène étudié.
4.4 Les hypothèses d'interprétation
Tous les plans fractionnaires posent le même problème d'interprétation des
résultats. Comme on n'effectue pas toutes les expériences du plan complet, on ne
peut pas obtenir la valeur de toutes les interactions. Il faut créer soi-même des
informations supplémentaires de remplacement. Ces informations
supplémentaires doivent être réalistes et compatibles avec l'étude menée. Elles
sont introduites sous forme d'hypothèses et elles demandent à être vérifiées avant
la conclusion de l'étude. Les hypothèses de travail les plus souvent retenues sont
les suivantes :
• Hypothèse 1
Les interactions d'ordre 3 (interaction entre 3 facteurs) ou d'ordre
plus élevé sont considérées comme négligeables. On élimine ainsi
un grand nombre d'inconnues. 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. C’est
l’hypothèse est la plus probable et c’est celle que nous retiendrons
sous le nom d’hypothèse 2.
- que les effets et les interactions aliasés se compensent. Cette
hypothèse est peu probable et nous ne la retiendrons pas.
• Hypothèse 3
Si deux contrastes sont faibles, on supposera que leur interaction l'est
aussi.
Si un contraste est faible et l'autre fort, on supposera que leur
interaction est faible.
• Hypothèse 4
Si deux contrastes sont forts, on se méfiera de leur interaction qui
peut l'être également.

Les hypothèses présentées ici sont très souvent vérifiées mais, il arrive parfois
qu'elles soient mises en défaut. Il est toujours possible d'en adopter d'autres en
fonction du problème traité et des risques encourus. Pour une bonne analyse des
résultats il est prudent de toujours bien préciser les hypothèses d'interprétation que
l'on a retenues.
4.5 Construction pratique d'un plan fractionnaire
On choisit un plan complet et l'on écrit sa matrice de calcul en omettant la colonne
de signes plus. On appelle cette nouvelle matrice le plan de base.
Dans ce plan de base, on choisit une colonne de signes correspondant à une
interaction et on l'attribue à un facteur supplémentaire. Les signes de l'interaction
choisie deviennent les niveaux d'étude (haute et basse ) de ce facteur
supplémentaire.
Dans l'exemple du paragraphe 3.3, on aurait pu aliaser le facteur 4 (ou le facteur
5) sur une autre interaction, on aurait eu d'autres points expérimentaux et d'autres
aliases.
On peut généraliser cette méthode et utiliser toutes les colonnes d'un plan de base.
Par exemple sur le plan de base bâti sur la matrice de calcul d'un plan 2 3 on peut
étudier sept facteurs. Sur le plan de base d'un plan 24, on peut étudier jusqu'à
quinze facteurs.
4.6 Nombre maximum de facteurs étudiés sur un plan de base
On peut étudier autant de facteurs supplémentaires qu'il y a d'interactions dans le
plan de base.
Sur un plan de base 22 il y a une interaction. On pourra donc étudier 3 facteurs,
deux sur les colonnes 1 et 2, le troisième sur la colonne de l'interaction.
Sur un plan de base 23, il y a quatre interactions. On pourra donc étudier 7 facteurs.
Trois sur les colonnes 1, 2 et 3. Les quatre autres sur les colonnes d'interaction 12,
13, 23 et 123.
Le Tableau 7 indique le nombre maximum de facteurs que l'on peut étudier sur
différents plans de base.

Tableau 7 : Nombre maximum de facteurs étudiés sur un plan de base donné

Plan de Nombre de facteurs Nombre Nombre

base principaux d'interactions maximum de
facteurs étudiés
22 2 1 3
23 3 4 7
24 4 11 15
25 5 26 31
26 6 57 63
27 7 120 127

4.7 Exemple 2 : «Le gâteau d'anniversaire»

4.7.1 Description de l'étude
La petite Lucie a décidé de confectionner un gâteau pour son anniversaire.
Comme la recette n'est pas très claire et que les conseils recueillis auprès de la
famille sont divergents, Lucie entreprend de réaliser un plan d'expériences pour
connaître l'influence des quantités de produits et de la manière d'opérer

Tableau 8 : Facteurs et domaine d'étude

 Facteur Niveau Niveau
-1 .+ 1
Température (1) 160 °C 220 °C
Durée (2) 35 40
Farine (3) 150 200
Sucre (4) 100 150
Oeufs (5) 2 4

Lucie retient les facteurs suivants :

• La température du four.
• La durée de cuisson.
• La quantité de farine.
• La quantité de sucre.
• Le nombre d'œufs.

La réponse est la hauteur du cake mesurée en millimètres. Plus, il sera haut

meilleur sera le résultat.

Comme elle ne veut pas préparer 32 gâteaux, Lucie décide d'exécuter un plan
factoriel fractionnaire 25-2 en aliasant le facteur 4 sur l'interaction 123 et le facteur
5 sur l'interaction 13. Ce plan est donné par le Tableau 9 dans lequel figurent
également les réponses mesurées.

Tableau 9 : Plan factoriel fractionnaire 25-2.

N° Facteur Facteur Facteur Facteur Facteur Hauteur

essai 1 2 3 4 = 123 5 =13
1 - - - + + 56
2 + - - - - 8
3 - + - - + 54
4 + + - + - 10
5 - - + + - 28
6 + - + - + 24
7 - + + - - 26
8 + + + + + 34

Les contrastes sont obtenus avec un logiciel ou avec le calcul de Box. On les
simplifie en tenant compte des hypothèses d'interprétation (Hypothèse 1) :
ℓ0 = 𝑎0 + 𝑎135 + 𝑎1245 + 𝑎1234 ≅ 𝑎0
ℓ1 = 𝑎1 + 𝑎35 + 𝑎234 + 𝑎1245 ≅ 𝑎1 + 𝑎35
ℓ2 = 𝑎2 + 𝑎45 + 𝑎134 + 𝑎1235 ≅ 𝑎2 + 𝑎45
ℓ3 = 𝑎3 + 𝑎15 + 𝑎124 + 𝑎2345 ≅ 𝑎3 + 𝑎15
ℓ4 = 𝑎4 + 𝑎25 + 𝑎123 + 𝑎1345 ≅ 𝑎4 + 𝑎24
ℓ5 = 𝑎5 + 𝑎13 + 𝑎24 + 𝑎12345 ≅ 𝑎5 + 𝑎13 + 𝑎24
 ℓ12 = 𝑎12 + 𝑎34 + 𝑎235 + 𝑎145 ≅ 𝑎12 + 𝑎34
ℓ14 = 𝑎14 + 𝑎23 + 𝑎125 + 𝑎345 ≅ 𝑎14 + 𝑎23
Les coefficients sont calculés avec la relation {4}, on trouve :
ℓ0 ≅ 𝑎0 = 30
ℓ1 ≅ 𝑎1 + 𝑎35 = −11
ℓ2 ≅ 𝑎2 + 𝑎45 = 1
ℓ3 ≅ 𝑎3 + 𝑎15 = −2
ℓ4 ≅ 𝑎4 + 𝑎25 = 1
ℓ5 ≅ 𝑎5 + 𝑎13 + 𝑎24 = 12
ℓ12 ≅ 𝑎12 + 𝑎34 = 2
ℓ14 ≅ 𝑎14 + 𝑎23 = 1

Ces résultats sont illustrés par Figure 11. On constate que cinq contrastes sont
faibles. D'après l'hypothèse 2, on peut conclure que les effets et les interactions
aliasés dans ces contrastes sont tous faibles. On peut donc négliger les facteurs
Durée (2), Farine (3) et Sucre (4).

Figure 11 : Diagramme à barres des effets.

En revanche les contrastes ℓ1 et ℓ5ne sont pas négligeables. Il faut donc se méfier
de l'interaction 15 qui pourrait être forte (Hypothèse 4). Cette interaction est
alaisée avec le facteur 3 dans le contraste ℓ3 Comme ce contraste est faible,
l'interaction l'est aussi (Hypothèse 2).
On peut donc conclure qu'il y a 2 facteurs influents sur la hauteur du gâteau, la
Température (1) et le nombre d'œufs (5). Il n'y a pas d'interaction entre ces deux
facteurs.

Figure 12 : Effet de la Température (1), et du nombre d'œufs (5) sur la hauteur du

gâteau.

Si l'on veut un gâteau de bonne hauteur, il faut travailler à 160°C (niveau bas) et
avec 4 œufs (niveau haut). C'est la recette que la petite Lucie a suivi pour préparer
son gâteau d'anniversaire.
5. AUTRES PLANS A DEUX NIVEAUX
5.1 Objectifs des autres plans à deux niveaux
Les plans factoriels complets et fractionnaires sont basés sur des modèles
mathématiques du premier degré. Ils couvrent la plupart des besoins des
expérimentateurs lors d'une étude de dégrossissage. Ce sont eux qui sont
employés dans la majorité des cas. D'autres plans à deux niveaux, et basés
également sur un modèle mathématique du premier degré, ont été mis au point
pour répondre à des situations particulières. Nous examinerons les plans de
Koshal, les plans de Rechtschaffner, les plans de Plackett et Burman, les Tables
de Taguchi et les plans super saturés.
5.2 Les plans de Koshal
Les plans de Koshal [3] sont des plans qui permettent de déterminer uniquement
les effets principaux des facteurs. On ne peut pas évaluer les interactions. Le
modèle mathématique est

𝑦 = 𝑎0 + ∑ 𝑎𝑖 𝑋𝑖

Ces plans, peu connus, sont très pratiques pour dégrossir un problème. Ils offrent
l'avantage de donner directement l'effet des facteurs. Ils forment le début d'un plan
factoriel qu'il est toujours loisible de compléter pour obtenir un plan complet ou
fractionnaire. La Figure 13 illustre un plan de Koshal pour 3 facteurs.

Figure 13 : Plan de Koshal pour trois facteurs. Ces points forment le début d'un plan
factoriel complet 23.

5.3 Les plans de Rechtschaffner

Les plans de Rechtschaffner sont des plans factoriels fractionnaires simplifiés qui
permettent de déterminer les effets des facteurs et les interactions d'ordre deux.
Toutes les autres interactions sont supposées nulles avant même
l'expérimentation. Le modèle mathématique adopté au départ de l'étude est donc

𝑦 = 𝑎0 + ∑ 𝑎𝑖 𝑋𝑖 + ∑ 𝑎𝑖𝑗 𝑋𝑖 𝑋𝑗

Il suffit de choisir un plan fractionnaire de résolution III pour obtenir un plan de

Rechtschaffner. Mais l'idée de ne déterminer que les effets principaux et les
interactions d'ordre deux a été étendue par Rechtschaffner aux plans du second
degré et aux facteurs prenant trois niveaux. Ces plans spéciaux sont indiqués dans
des tables auxquelles il conviendra de se référer en cas de besoin [4].
5.4 Les plans de Plackett et Burmann
Les matrices de calcul des plans de Plackett et Burman [5] sont des matrices
d'Hadamard. C'est-à-dire des matrices ayant 4, 8, 12, 16, 20, 24, 28, 32, 36 lignes
etc. Elles permettent donc des expérimentations ayant un nombre d'essais
intermédiaire de celui des plans factoriels qui, eux, ont seulement 2k lignes (4, 8,
16, 32, etc.).
Les plans de Plackett et Burman sont le plus souvent saturés. Le modèle
mathématique est alors un modèle sans interaction analogue à celui des plans de
Koshal :
𝑦 = 𝑎0 + ∑ 𝑎𝑖 𝑋𝑖

5.5 Les tables de Taguchi

Les Tables de Taguchi [6] sont des plans de Plackett et Burman dans lesquels on
a remplacé +1 par 1 et –1 par 2. Les noms des plans ont également été traduits. Le
plan 23 est la Table L8 et le plan 24 est la Table L16. Le plan de 12 essais, appelé
Table L12, est un plan de Plackett et Burman. A l’origine ces plans étaient utilisés
avec un modèle sans interaction. Aujourd’hui, certaines personnes leur appliquent
les résultats et les principes de la théorie classique.
La présentation des plans d'expériences selon les principes de Taguchi est très
prisée dans le domaine de la qualité.
5.6 Les plans sursaturés
Un plan saturé est un plan qui comporte autant d'essais que de coefficients à
déterminer dans le modèle mathématique. Les plans de Rechtschaffner, les plans
de Plackett et Burman et les tables de Taguchi sont souvent des plans saturés. Un
plan sursaturé est un plan qui comporte moins d'essais que de coefficients à
déterminer dans le modèle mathématique. A ce titre les plans factoriels
fractionnaires peuvent être considérés comme sursaturés. Mais, il existe des plans
encore plus sursaturés que les plans factoriels fractionnaires [7]. Ce sont des plans
dont les facteurs principaux sont aliasés entre eux. Ces plans sont utiles lorsqu'il
y a beaucoup de facteurs à examiner et lorsqu'on est sûr que peu d'entre eux sont
influents sur la réponse. Certains plans proposent l’étude de 66 facteurs en 12
essais ou de 272 facteurs en 24 essais.
La théorie des aliases est applicable à ces plans puisqu’on regroupe les
coefficients dans des contrastes. Mais l'interprétation n'est pas toujours facile.
6. PLANS A PLUSIEURS NIVEAUX
Les plans à deux niveaux sont très utilisés parce qu'ils sont économiques en
nombre d'essais. Mais il n'y a aucune raison de ne pas considérer des plans ayant
des facteurs prenant plus de deux niveaux. Il faut donner à chaque facteur le
nombre de niveaux nécessaires aux exigences de l'étude. Il existe, là aussi, des
plans complets et des plans fractionnaires qui permettent de réduire le nombre des
essais malgré l'augmentation du nombre de niveaux.
L'interprétation des résultats dépend de la nature des variables. Si les facteurs sont
continus, on pourra utiliser un modèle du premier ou du deuxième degré et
exécuter les calculs avec la relation {4} en vue de la modélisation. Pour ces
variables, il existe des plans optimisés selon les différents critères d’optimalité.
On les trouvera décrits dans les paragraphes consacrés aux plans factoriels et aux
plans pour surfaces de réponse. Si les variables sont discrètes, il faut employer
l'analyse de la variance [8] pour interpréter les résultats. Pour ces variables, il
existe des plans particuliers tels que les carrés latins, les carrés gréco-latins, les
plans de Youden et les plans à niveaux mixtes.
6.1 Plans complets à trois niveaux
S'il y a deux facteurs prenant chacun trois niveaux, il faut exécuter 9 essais. On
note ce plan 32.
S'il y a trois facteurs prenant chacun trois niveaux (plan 33), il faut exécuter 27
essais. Ce qui commence à faire beaucoup. C'est la raison pour laquelle on a
introduit les plans fractionnaires correspondants qui portent le nom de carrés
latins.
6.2 Carrés latins
Les carrés latins sont des plans pour étudier 3 facteurs prenant chacun 3 niveaux.
On réalise 9 essais au lieu de 27 pour le plan complet. Ce sont des plans
factionnaire 33-1. La disposition des points expérimentaux est telle que tous les
niveaux sont représentés et qu'il n'y a pas de répétition. La Figure 14 illustre un
carré latin pour 3 facteurs. Ces plans sont souvent utilisés pour les variables
discrètes et le modèle mathématique est souvent un modèle sans interaction.

Figure 14 : Plan en carrés latins.

6.3 Exemple 4 : «Etude des thermomètres de précision»

Un expérimentateur désire s'assurer de la précision de ses mesures de température.
Il possède trois thermomètres de précision, trois cellules de mesure et il y a trois
opérateurs différents. Pour évaluer l'influence de ces trois facteurs sur les
températures mesurées, l'expérimentateur met en place un carré latin de 9 essais.
La réponse est représentée par les deux derniers chiffres indiqués par les
thermomètres.
L’interprétation est basée sur l’analyse de la variance qui donne l’importance de
chacun des facteurs sur la réponse. Cette analyse adopte le modèle suivant
𝑦 = 𝑎0 + 𝑎1 𝑋1 + 𝑎2 𝑋2 + 𝑎3 𝑋3 + 𝑒
Dans ce modèle les ai se décomposent en trois coefficients liés par une relation.
Par exemple, 𝑎1 se décomposent en trois coefficients représentant
respectivement l'influence du thermomètre 1, du thermomètre 2 et du
thermomètre 3. La somme des trois coefficients est toujours nulle.

Tableau 10 : Plan d'expériences du plan en carré latin.

N° Thermo Cellule Opérateur Réponse

essai mètre
1 2 3
1    36
2  0 0 17
3    37
4 0  0 38
5 0 0  18
6 0   39
7    37
8  0  19
9   0 41

 1 A Jean
0 2 B Pierre
 3 C Luc
D'après l'analyse de la variance, l'importance des thermomètres est de : 8,66667
sur les 817,33333 du modèle (réponses calculées avec le modèle), soit 1%.
L'importance des cellules est de : 806, soit 98,7 %. L'importance des opérateurs
est de : 2,66667, soit 0,3 %.
Tableau 11 : Analyse de la variance.

Source des Somme des ddl Carrés F de Probabilité

variations carrés moyens Fisher
Thermomètres 8,66667 2 4,333 13 0,0714
Cellules 806 2 403 1209 0,0008
Opérateurs 2,66667 2 1,333 4 0,200
Total (Modèle) 817,3333 6

Résidus 0,66667 2 0,3333

Total (Réponses 818 8
mesurées)

Les thermomètres et les opérateurs ont une faible influence sur la dispersion des
températures. En revanche, les cellules influencent considérablement la mesure de la
température. Suivant la cellule choisie, on ne trouvera pas la même valeur de
température.
Lorsqu'on examine les résultats des cellules, on constate que les cellules 1 et 3
donnent des résultats comparables (37 et 39 en moyenne avec des écart-types
respectifs de 0,58 et 1,15), alors que la cellule 2 donne des valeurs très faibles
(moyenne 18 avec un écart-type de 0,58). Il apparaît que la cellule 2 comporte un
défaut qui la rend impropre à faire des mesures de précision.
6.4 Carrés gréco-latins
Les carrés gréco-latins sont des plans de 16 essais permettant d'étudier 4 facteurs
ayant chacun 4 niveaux. Ce sont des plans 44-2. L'emplacement des points
expérimentaux est tel que la matrice de calcul est orthogonale. Ces plans sont utilisés
pour les variables discrètes et le modèle mathématique est un modèle avec ou sans
interaction d'ordre 2.
6.5 Carrés de Youden
Youden [9] a développé des plans pour deux variables discrètes prenant plus de quatre
niveaux. Le principe est analogue à celui des carrés latins. On réduit le nombre des
essais en retirant des points au plan complet. Ces plans sont souvent utilisés pour les
variables discrètes. Ils ont servi également de base à l'établissement de plans pour
simulations numériques.
6.6 Plans à niveaux mixtes
Il y a autant de facteurs que l'on veut et chaque facteur prend le nombre de niveaux
nécessaires à la bonne exécution de l'étude. Par exemple, un facteur peut prendre 3
niveaux, un autre 4 niveaux et un troisième 6. Ces plans sont très utilisés pour les
variables discrètes.

1. LES PLANS POUR SURFACES DE REPONSE

Les plans du second degré ou plans pour surfaces de réponse [10] permettent d'établir
des modèles mathématiques du second degré. Ils sont utilisés pour les variables
continues. Pour deux facteurs, on a
𝑦 = 𝑎0 + 𝑎1 𝑋1 + 𝑎2 𝑋2 + 𝑎12 𝑋1 𝑋2 + 𝑎11 𝑋2 𝑋12 + 𝑎22 𝑋22 + 𝑒
inconnues.
 

+1

+1

   
 
 

H  

Ces plans sont utiles à chaque fois que l'on se

trouve près d'un maximum ou d'un minimum.
Figure 15 : Plan composite pour deux
La théorie développée au cours de la première
facteurs.
partie de cet article s'applique à ces plans. A la
fin des essais, on a un système d'équations Les coordonnées des points en
dont les coefficients sont obtenus grâce à la étoile dépendent du critère
relation {4} d'optimalité choisi (annexe 2). En
̂ = (𝑿′𝑿)−𝟏 𝑿′𝒚
𝒂 général, on retient le critère de
presque orthogonalité ou le critère
Il existe plusieurs types de plans du second d'isovariance par rotation.
degré dont les principaux sont décrits ci- Les plans composites prennent
dessous. facilement la suite d'un premier plan
6.7 Les plans composites factoriel dont les résultats sont
insuffisamment expliqués par un
Un plan composite est constitué de trois parties modèle du premier degré. Il suffit
: d'effectuer les expériences
1. Un plan factoriel dont les facteurs prennent correspondant aux points en étoile
deux niveaux. et de faire les calculs sur l'ensemble
2. Au moins un point expérimental situé au de toutes les expériences. Les plans
centre du domaine d’étude. composites sont parfaitement
3. Des points axiaux. Ces points adaptés à une acquisition
expérimentaux sont situés sur les axes de progressive des résultats.
chacun des facteurs.
La Figure 15 représente un plan composite 6.8 Exemple 5:
pour deux facteurs. Les points A, B, C et D sont «Optimisation d'un
les points expérimentaux d'un plan 22. Le point produit collant»
E est le point central. Ce point peut avoir été
répliqué une ou plusieurs fois. Les points F, G, On désire optimiser la formulation
H et I sont les points axiaux. Ces quatre d'un produit légèrement collant. En
derniers points forment ce que l'on appelle le effet, il s'agit de maintenir une
plan en étoile. On réalise 9 essais et 6 simple cohésion entre les fils d'une
coefficients doivent être déterminés. Il faut bobine pendant qu'on la déroule. La
donc résoudre un système de 9 équations à 6 colle est un mélange de résine
silicone et de tension actifs dans du xylène.
Les facteurs sont la masse de tension actif et Les résultats de ce plan sont
la masse de résine silicone. résumés dans les modèles
 Facteur 1 : La masse de tensio mathématiques
actif. 𝑦̂
𝐹𝑜𝑟𝑐𝑒 = 1,6 + 0,36𝑥1 − 0,10𝑥2
 Facteur 2 : La masse de résine + 0,15𝑥1 𝑥2 − 0,62𝑥12
silicone. − 0,31𝑥22
Les réponses sont la force de collage et la
régularité du collage. Les objectifs sont 𝑦𝑅𝑒𝑔𝑢𝑙𝑎𝑟𝑖𝑡𝑒
̂ = 5,03 − 0.87𝑥1 − 0,35𝑥2
 Force de collage : entre 1,6 et 2.
+ 0,10𝑥1 𝑥2 − 0,87𝑥12
 Régularité : supérieure à 5.
− 0,94𝑥 22


Tableau 12 : Le produit collant. Domaine d'étude Ces modèles permettent de tracer

les courbes isoréponses sur un
Facteur Niveau Niveau même graphique
Niveau (Figure
Niveau Niveau16) et de
 1,21 -1 délimiter
0 les zones
+1 d'intérêt.
+ 1,21
Tensio actif (1) 0,229 0,250 0,350 0,450 0,471
Résine silicone (2) 0.007 0,010 0,025 0,040 0,043

L’expérimentateur réalise un plan composite

avec 4 points au centre du domaine d'étude et
choisit  = 1,21 pour respecter le critère de
presque orthogonalité.
Les résultats des essais sont rassemblés dans le
Tableau 13.

Tableau 13 : Le produit faiblement collant. Plan

d'expériences et résultats.

N° Essai TA Résine Force Régularité

1 2 Figure 16 : Courbes d'isoréponses
1 1 1 pour
1,4la force (à4,2
gauche) et pour la
2 +1 1 régularité
0,2 (à droite).
1,6 Les zones grisées
3 1 +1 ne 0,8
respectent pas4,6 les objectifs fixés.
4 +1 +1 0,2 2,4
La Figure 17 indique la zone où les
5 0 0 1,4 4,8
deux exigences
6 0 0 1,6 5,1sont respectées. Si
on choisit de se mettre au milieu de
7  1,21 0 0,4 3,3
cette zone on trouve une
8 + 1,21 0 1 4,3
composition répondant parfaitement
9 0  1,21 1,1 4,2
aux objectifs de l'étude :
10 0 + 1,21 1,2 3,2actif : 0,315
Tensio
11 0 0 1,6 5 : 0,024
Résine
12 0 0 1,8 5,2

Niveau   0,250 0,010

Niveau 0 0,350 0,025
Niveau + 1 0,450 0,040
 x 2

4 + 0,866 3 10

5 Resine
1 +1 2 9
-1 - 0,5 + 0,5 +1 +2
x

6 - 0,866 7 8

d'étude et sont situés sur le cercle

trigonométrique. Ils forment un
hexagone régulier.

Figure 18 : Plan de Doehlert. Les

points 1 à 7 illustrent un premier plan
de Doehlert. Les trois points 8, 9 et
10 illustrent les expériences
supplémentaires. Les points 2, 7,
8, 9, 10, 3 et 1 illustrent un deuxième
plan de Doehlert.
Si l'expérimentateur désire explorer
le domaine expérimental, il peut
facilement ajouter des points
d'expériences supplémentaires et
retrouver une disposition identique
Figure 17 : La zone claire indique la région où les à celle de départ. La Figure 18
deux objectifs sont respectés. montre qu'avec trois points
d'expériences supplémentaires
Avant de préconiser cette composition pour la (essais 8, 9 et 10), on peut obtenir un
colle, il est prudent de faire une ou deux nouveau plan de Doehlert (essais 2,
expériences de confirmation. C'est ce qui a été 7, 8, 9, 10, 3 et 1).
fait et les prévisions ont été confirmées.
Ce type de plans existe pour un
6.9 Les plans de Doehlert
nombre quelconque de facteurs.
La caractéristique principale des plans de
Doehlert [11] est d'avoir une répartition 6.10Les plans de Box-
uniforme des points expérimentaux dans Behnken
l'espace expérimental. La Figure 18 donne la
disposition de ces points pour un plan à deux Les points expérimentaux sont au
facteurs (essais 1 à 7). Tous les points sont à milieu des arêtes de chacun des
la même distance du centre du domaine côtés du cube (Figure 19). Ce plan
comporte douze essais auxquels on peut 7 +1 +1
ajouter un (ou plusieurs) point central. La 8 -1 +1
matrice du Tableau 14 indique ces douze 9 0 -1
essais accompagnés d'un seul point central. 10 +1 0
Dans la pratique on réalise souvent 3 ou 4 11 0 +1
points au centre. 12 -1 0
Les plans de Box-Behnken [12] répondent à un 13 0 0
critère d'optimisation particulier : l'erreur de
prévision des réponses est la même pour tous 6.11Les plans hybrides
les points d'une sphère (ou une hyper sphère) Les plans hybrides ont été mis au
centrée à l'origine du domaine expérimental. point par Roquemore [13]. Leur
C'est le critère d’isovariance par rotation. Le objectif est d'essayer d'approcher
plus connu des plans de Box-Behnken est deux critères d'optimalité, celui
celui qui permet d'étudier trois facteurs. d'orthogonalité et celui d'isovariance
par rotation. L'orthogonalité garantie
la meilleure précision possible sur
les coefficients du modèle et
l'isovariance par rotation conduit à
des erreurs de prévisions identiques
à une même distance du centre du
domaine. Si l'expérimentateur
recherche ces deux propriétés, il
doit penser à utiliser un plan hybride.
Les plans hybrides se désignent de
la manière suivante : on indique le
nombre de facteurs, puis le nombre
de points expérimentaux dont un
seul point central, enfin une lettre
pour distinguer deux plans ayant le
même nombre de facteurs et le
même nombre de points
expérimentaux. Par exemple, il
existe le plan 311A et le plan 311B
qui permettent d'étudier 3 facteurs
en onze essais. Le Tableau 15
Figure 19 : Plan de Box- Behnken pour trois indique le plan hybride 311B.
facteurs. Tableau 15 :
Plan hybride
Tableau 14 : Plan de Box- 311B
Behnken pour 3 facteurs

n° essai Facteur 1 Facteu

n° essai Facteur 1 Facteur 2 Facteur 3
1 0 0
1 0 -1 -1
2 +1 0 -1 2 0 0
3 0 +1 -1 3 - 0,751 2,10
4 -1 0 -1 4 2,106 0,75
5 -1 -1 0 5 0,751 - 2,1
6 +1 -1 0 6 - 2,106 - 0,7
 7 0,751 2,106 -11
8 2,106 - 0,751 𝑛 =- 1(2 + 3𝐾 + 𝐾 2 )
9 - 0,751 - 2,106 -21
10 - 2,106 0,751 -1
11 0 0 0

Les autres plans hybrides sont les plans 310,

416A, 416B, 416C ou 628A.
6.12Les plans de Mozzo
Les plans de Mozzo [14] présentent deux
avantages : Ils sont séquentiels et le nombre
de niveaux d’étude est restreint. On peut
commencer par étudier deux facteurs en trois
essais. Puis, si l'on désire étudier un troisième
facteur, il suffit de réaliser trois essais
supplémentaires. Douze essais permettent
d’étudier quatre facteurs.
Les plans de Mozzo ne permettent pas tous
d'établir un modèle du second degré. Il faut
alors avoir recours aux plans quadratiques
gigognes de Mozzo.

Tableau 16 : Plans de Mozzo pour

2, 3 ou 4 facteurs

n° essai Facteur 1 Facteur 2 Facteur 3 Facteur 4

1 0,268 +1 -1 -1
2 0,732 - 0,732 -1 -1
3 -1 - 0,268 -1 -1
4 - 0,268 -1 +1 -1
5 - 0,732 0,732 +1 -1
6 +1 0,268 +1 -1
7 - 0,268 -1 -1 +1
8 - 0,732 0,732 -1 +1
9 +1 0,268 -1 +1
10 0,268 +1 +1 +1
11 0,732 - 0,732 +1 +1
12 -1 - 0,268 +1 +1

6.13Les plans de Rechtschaffner pour

le second degré
Les plans de Rechtschaffner permettant
d'établir un modèle du second degré sont des
plans saturés. S'il y a k facteurs, il faut
effectuer un nombre, n, d'essais égal à
 La construction de ces plans est indiquée dans l'article original [4].
6.14Les plans de D-optimaux
Les contraintes expérimentales ne permettent pas toujours d'être dans les conditions
idéales des plans d’expériences précédemment décrits. Par exemple, les réglages de
l'appareil ne permettent pas d'atteindre les niveaux préconisés par la théorie ou des
combinaisons de niveaux peuvent se révéler dangereuses : réaction explosive pour
les chimistes, concentration toxique pour les médecins, etc. Dans cette situation, il est
extrêmement commode d'utiliser les plans D-optimaux. Le choix de l'emplacement des
points expérimentaux nécessite alors un logiciel de plans d'expériences. Il suffit de
préciser le nombre d'expériences que l'on désire effectuer et le modèle a priori. Le
logiciel calcule alors, grâce à un algorithme d'échange, le plan le mieux adapté à
l'étude.
6.15Les plans non conventionnels et leur éventuelle réparation
Il peut arriver que l’on soit en possession d’une série de résultats expérimentaux qui n’ont
pas été obtenus selon un plan d’expériences. Dans ce cas, il a été montré [15] que l’on
peut utiliser ces résultats moyennant certaines précautions. Si la position des essais ne
s'éloigne pas trop des plans classiques, les erreurs sur les coefficients du modèle sont
faibles et les réponses prédites sont, dans la plupart des cas, tout à fait acceptables .

Figure 20 : Exemple de plan non conventionnel.

Si la position des essais s'éloigne des plans classiques, les erreurs sur les coefficients
peuvent être importantes et on ne pourra pas utiliser le modèle pour faire des
prévisions.
Dans ce dernier cas il est possible de réparer l’expérimentation en faisant de nouveaux
essais bien placés par rapport à ceux qui avaient été déjà réalisés. Les calculs
nécessaires au choix de ces nouveaux points sont prévus dans les bons logiciels de
plans d'expériences.
6.16LES PLANS DE MELANGES
Les facteurs d'étude des plans de mélanges sont les proportions des constituants du
mélange [16]. Or, ces constituants ne sont pas indépendants les uns des autres. La
somme des proportions d'un mélange est toujours égale à 100%. Le pourcentage du
 dernier constituant est imposé par la somme des pourcentages des premiers
composés. C'est la raison pour laquelle les plans de mélanges sont traités à part.
Les plans de mélanges sont aussi caractérisés par de nombreuses contraintes qui
peuvent peser sur le choix des proportions des constituants. Par exemple, la
concentration d'un produit doit être au moins de x pour-cent ou cette concentration ne
peut excéder une valeur donnée. En fonction de ces contraintes la planification de
l'étude est modifiée et elle doit être adaptée à chaque cas.
Les plans de mélanges ont d'abord été étudiés par des américains (Claringbold,
Sheffé, Cornell [17], Snee, Marquadt, Crozier, etc.).
6.17La contrainte fondamentale des mélanges
Si l'on note par xi la teneur en constituant i, la somme des teneurs de tous les
constituants du mélange satisfait la relation :
𝑖=𝑛

∑ 𝑋𝑖 = 100%
𝑖=1
Si, au lieu d’utiliser les pourcentages, on ramène la somme des
teneurs des différents constituants à l'unité on a :
𝑖=𝑛

∑ 𝑋𝑖 = 1
𝑖=1
Cette relation s'appelle la contrainte fondamentale des mélanges. Les
représentations géométriques des plans de mélanges sont différentes
de celles utilisées pour les plans d'expériences classiques et les
modèles mathématiques sont eux aussi profondément modifiés.

6.18 Représentation géométrique des mélanges

On utilise un triangle équilatéral pour représenter les mélanges à
trois composants. Les produits purs sont aux sommets du triangle
équilatéral. Les mélanges binaires sont représentés par les cotés
du triangle. Par exemple, le côté gauche du triangle (Figure 21)
représente les mélanges composés uniquement des produits A et
B.

Figure 21 :
Représentation
des mélanges
à trois
constituants
sur un triangle
équilatéral.
Un point de la
surface
intérieure du
triangle
équilatéral
représente un
 mélange tertiaire. Les compositions de chaque produit se lisent
sur les côtés du triangle.
Les propriétés géométriques du triangle équilatéral assurent que
la contrainte fondamentale des mélanges est bien respectée.
La représentation des mélanges à quatre constituants est un
tétraèdre régulier (Figure 22). S'il y a plus de quatre constituants,
il faut faire appel à des hyperpolyèdres réguliers.

Figure 23 : Plan
de mélanges en
réseaux (à
gauche), plan de
mélanges
centrés (au
milieu), plan de
mélanges
centrés
augmentés (à
Figure 22 : Représentation des mélanges à quatre constituants droite).
par un tétraèdre régulier.
6.20Modèles
Si, au lieu d'utiliser les pourcentages, on ramène la somme des
mathémati
teneurs des différents constituants à l'unité on a :
i =n
ques des
mélanges
 xi  1 {22}
La contrainte
i =1
fondamentale
Cette relation s'appelle la contrainte fondamentale des mélanges
des mélanges. Les représentations géométriques fait disparaître
des plans de mélanges sont différentes de celles la constante et
les termes du
6.19 Emplacement des points expérimentaux second degré
Il existe plusieurs manières de disposer les points se réduisent
expérimentaux dans le domaine d'étude : Plans de mélanges en aux termes
réseaux (Simplex lattice designs), plans de mélanges centrés rectangles.
(Simplex-Centroid Designs), plans de mélanges centrés Pour trois
augmentés (Augmented Simplex-Centroid Designs). composants, le
modèle du
premier degré
est donc :
 𝑦 = 𝑏1 𝑥1 + 𝑏3 𝑥2 + 𝑏3 𝑥3

Et pour le second degré :

𝑦 = 𝑏1 𝑥1 + 𝑏3 𝑥2 + 𝑏3 𝑥3 + 𝑏12 𝑥2 + 𝑏13 𝑥2 𝑥3 + 𝑏23 𝑥2 𝑥3
On est souvent amené à utiliser des modèles de degré supérieur, trois et même
parfois quatre si les surfaces de réponses sont compliquées. Plus le degré du
modèle est élevé, plus il faut réaliser de points d'expériences pour pouvoir
déterminer tous les coefficients. Ces coefficients sont calculés à partir de la
relation de régression :
̂ = (𝑿′𝑿)−𝟏 𝑿′𝒚
𝒃
Les mélanges sont également caractérisés par des contraintes : contraintes
basses, contraintes hautes ou contraintes relationnelles.

6.21 Basses teneurs interdites

La concentration d'un ou de plusieurs constituants ne peut pas être inférieure à
une valeur donnée. Dans ce cas le domaine d'étude est réduit (Figure 24) mais la
forme du domaine reste la même : un triangle équilatéral. La position des points
d'expériences se déduit des plans de mélanges classiques précédents.

Figure 24 : Les limites inférieures de tous les produits délimitent deux zones : la
zone interdite (zone ombrée) et la zone autorisée qui à la même forme
géométrique que le domaine d'étude initial.

6.22 Hautes teneurs interdites

La concentration d'un ou plusieurs constituants ne peut pas être supérieure à une
valeur donnée. Dans ce cas le domaine d'étude est réduit (Figure 25) mais la forme
du domaine est complètement modifiée, ce n'est plus un triangle, c'est un
polygone. Pour les plans ayant plus de trois facteurs, le domaine d'étude est un
hyperpolyèdre.
Figure 25 : Les limites supérieures de tous les produits découpent le domaine
initial en plusieurs zones : les zones interdites (zones ombrées) et la zone
autorisée.

6.23 Hautes et basses teneurs interdites

Les proportions d'un ou de plusieurs constituants peuvent être soumises à des
contraintes inférieures et supérieures. Pour un composant, le triangle des
compositions est divisé en trois zones : la zone interdite par la limite basse, la
zone interdite par la limite haute et, entre les deux, la zone autorisée. Chaque
composant peut avoir des limites hautes et basses. Illustrons cette situation pour
trois composants (Figure 26), la forme initiale du triangle équilatéral n'est pas
conservée.

Figure 26 : Des limites basses et hautes délimitent un domaine d'étude polygonal.

Pour trouver le meilleur emplacement des points expérimentaux, il faut disposer
un grand nombre de points d'expériences, les points candidats, sur le domaine
d'étude. Ces points candidats sont souvent aux sommets, au milieu des arêtes, aux
 centres des faces et au centre de gravité du polygone. Quand il y a beaucoup de
constituants le calcul du nombre et de l'emplacement des sommets, des milieux
d'arêtes et des centres des faces est très compliqué. Il faut un logiciel adapté pour
faire ces calculs. Le choix des points les plus utiles parmi les points candidats
nécessite aussi un logiciel adapté aux plans d'expériences.
6.24 Contraintes relationnelles
Deux autres types de contraintes se rencontrent dans l'étude des mélanges. Il s'agit
soit de conserver un rapport constant entre les proportions de deux constituants,
soit de respecter une relation d'addition entre les proportions de deux ou de
plusieurs constituants

𝑋1 𝑋1
= 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 𝑜𝑢 𝑘1 ≤ ≤ 𝑘1
𝑋2 𝑋2
𝑋1 + 𝑋2 = 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 𝑜𝑢 𝑘3 ≤ 𝑋1 + 𝑋2 ≤ 𝑘4
Ces nouvelles contraintes entraînent de nouvelles restrictions sur le domaine
d'étude et modifient l'emplacement des points d'expérimentation.
6.25 Exemple 6 : «Contrainte de rapport constant»
Dans un mélange à trois constituants, les teneurs en A et B doivent respecter la
relation
𝑋𝑏
1≤ ≤ 1,2
𝑋𝑎

Les points qui satisfont 𝑋𝑏 = 𝑋𝑎 sont sur une droite qui passe par le sommet C
(constituant C pur) et aboutit sur le côté AB à une valeur égale au rapport
constant 𝑟1 = 0,50. Les points qui satisfont l'inégalité 𝑋𝑏 ≥ 𝑋𝑎 sont les points
situés sous la droite DC. Les points qui satisfont l'inégalité 𝑋𝑏 ≤ 1,1𝑋𝑎 ≤ sont les
points situés au-dessus de la droite EC. La zone autorisée est le biseau ECD
comme l'indique la Figure 27
Figure 27 : Représentation de la zone autorisée (zone non hachurée) par les
contraintes relationnelles.
S'il y avait plus de trois constituants, le rapport constant serait représenté par un
plan ou un hyper plan qui passerait par les autres sommets.
Dans le cas de trois constituants, on remarque que la droite représentative d'un
rapport constant entre deux constituants passe par le troisième constituant. On a
là un moyen simple pour étudier l'évolution d'une propriété près d'un mélange de
référence (point M de la Figure 28).

Figure 28 : Plan de Koshal adapté aux mélanges.

Il suffit d'ajouter une certaine quantité d'un produit pur au mélange M. On obtient
un mélange (M1, M2 ou M3 suivant le produit pur ajouté) qui se situe sur l'une
des droites MA, MB ou MC. On peut considérer l'ensemble de ces points comme
un plan de Koshal adapté aux mélanges. On obtient ainsi l'influence de chaque
constituant sur le mélange de référence M.
6.26 Exemple 7 : «Contrainte de somme constante»
Dans un mélange à trois constituants, les teneurs en A et B doivent respecter la
relation
𝑥𝑎 + 𝑥𝑏 ≥ 0,8

L’égalité s'écrit
𝑥𝑏 = −𝑥𝑎 + 0,8

Les points de coordonnées xa et xb sont sur une droite qui passe par le point
𝐷 (𝑥𝑎 = 0 𝑒𝑡 𝑥𝑏 = 0,8) et par le point 𝐸 (𝑥𝑎 = 0,8 𝑒𝑡 𝑥𝑏 = 0) comme le
montre la Figure 29.
Figure 29 : Représentation de la zone satisfaisant la contrainte introduite par
la somme constante entre les compositions des deux constituants A et B.
Lorsque le nombre de constituants augmente la représentation d'une somme
constante est un plan ou un hyperplan.
6.27 Plans de mélange et plan d'expériences
Il est tout à fait possible de traiter à la fois des variables de mélanges (les
proportions des constituants) et des facteurs de plan d'expériences. Pour illustrer
cette situation on peut prendre l'exemple d'un fabricant de chocolat. L'étude de la
composition du chocolat donne lieu à un plan de mélanges et les conditions de
préparation donnent lieu à un plan d'expériences factoriel ou du second degré. A
chaque point d'expériences du plan factoriel, il faut réaliser un plan de mélanges.
On a donc rapidement un grand nombre d'essais à réaliser puisqu'il faut faire np
essais si le plan de mélange à n essais et le plan d'expériences p essais.
Figure 30 : Représentation de l'étude d'un mélange à trois constituants soumis
à deux facteurs.
7. LES PLANS BOOLEENS
Il n’est pas toujours possible d’exploiter les résultats d’un plan d’expériences avec
les outils classiques : régression multilinéaire pour les variables continues ou
analyse de la variance pour les variables discrètes. Si les facteurs d’étude sont des
variables booléennes, c’est-à-dire ne prenant que deux valeurs, il faut trouver la
fonction booléenne, ne prenant elle-même que deux valeurs, en fonction des
valeurs des variables.
Les plans booléens [18] ressemblent aux plans factoriels à deux niveaux mais
l’interprétation mathématique est complètement différente puisque la nature des
variables est différente. Chaque essai permet de connaître la valeur d’un minterm
(ou d’un maxterm). L’ensemble de tous les minterms donne la forme canonique
de la fonction cherchée. La forme canonique est ensuite simplifiée grâce à l’une
des méthode classiques de simplification des fonctions booléennes (Méthode de
Veitch, Harvard ou Quine).

8. LES PLANS POUR SIMULATIONS NUMERIQUES

Lorsque les expérimentations sont coûteuses, il arrive de plus en plus
fréquemment que l'on étudie d'abord les phénomènes à l'aide de simulations
numériques. Les calculs sont souvent complexes et nécessitent des temps de
calcul très longs. Il est alors avantageux d'organiser les simulations de la même
manière que les essais des plans d'expériences. Mais deux particularités des
calculs numériques doivent être prises en compte. La première est l'absence
d'erreur expérimentale et le second est la complexité des modèles a priori
permettant l'interprétation des résultats.
Au paragraphe 1.3, nous avons signalé l'introduction de deux compléments au
modèle mathématique a priori : le manque d'ajustement, Δ, et l'erreur
expérimentale, ε. Dans le cas des simulations numériques, il n'y a pas d'erreur
expérimentale. Le seul complément est le manque d'ajustement. On modélise le
manque d'ajustement de telle manière que la surface de réponse passe par tous les
points de simulation. On appelle cette opération le krigeage. Le modèle des
simulations numériques comporte donc une première partie expliquant la forme
générale et moyenne de la surface de réponse et une seconde partie expliquant les
réponses aux points de simulation. La première partie est obtenue par les
techniques classiques de la régression. La seconde partie est modélisée par
différentes fonctions mathématiques dont les principales sont des fonctions
gaussiennes ou des fonctions de corrélations. L'objectif de ces fonctions est de
déformer la surface de réponse pour qu'elle passe par la valeur des réponses aux
points de simulation.
En ce qui concerne la disposition des points de simulation dans l'espace
 expérimental, on ne cherche plus à minimiser l'erreur sur les coefficients du
modèle mais à obtenir une allure générale de la surface de réponse. Les points de
simulation sont répartis de façon régulière dans l'espace expérimental ce qui
permet de faire des modélisations particulières et adaptées pour des zones
différentes du domaine
.d'étude.

9. LES LOGICIELS DE PLANS D'EXPERIENCES

La construction des plans d'expériences est souvent facile et il suffit de choisir
parmi les matrices déjà publiées. Mais, il importe que le plan soit adapté à
l'étude et non pas l'inverse. Il y a donc des situations où il faut absolument tailler
un plan sur mesure. Les logiciels de plan d'expériences [19] possèdent des
bibliothèques de plans classiques et ils permettent aussi de construire les plans sur
mesures. En particulier, les plans de mélanges et les plans avec contraintes sur le
domaine d'étude nécessitent l'usage d'un logiciel pour construire le plan le mieux
adapté à l'étude. On peut réaliser le calcul des coefficients avec un tableur [20],
mais cela nécessite de la programmation et du temps. Il est donc préférable
d'utiliser un logiciel adapté qui effectue non seulement le calcul des coefficients
mais aussi tous les calculs statistiques permettant d'évaluer la qualité du modèle
mathématique (Coefficient de détermination, écarts-types des réponses et des
coefficients, p-value, etc.).
Les logiciels de plans d'expériences sont aussi programmés pour calculer des
réponses dans tout le domaine d'étude, pour effectuer les analyses de variance, pour
tracer des courbes d'isoréponses, pour construire les surfaces de réponse et pour
déterminer les zones d'intérêt.
Cet ensemble de possibilités permet d'effectuer rapidement de multiples analyses et
de regarder ses données sous tous les angles. On arrive ainsi à extraire, en peu de
temps, toute l'information présente dans les résultats d'un plan d'expériences. Les
logiciels de plans d'expériences sont devenus des outils absolument indispensables
pour la construction de plans complexes et l'interprétation approfondie des résultats
du plan.
Nous indiquons ci-dessous les principaux logiciels de plans d'expériences et les
sites internet correspondants. Quelques-uns d'entre eux mettent à disposition des
personnes intéressées des versions de démonstration et certains des versions
complètes simplement limitées dans le temps.

Tableau 17 : Principaux logiciels de plans d'expériences.

 JMP http://www.jmpdiscovery.com
Minitab http://www.minitab.fr
Statistica http://www.intesoft.com/produits/tech/statistica
Statgraphics http://www.sigmaplus.fr
Unscrambler http://www.camo.no
Pirouette http://www.infometrix.com
Modde http://www.umetrics.com

1. COMMENT S'INITIER AUX PLANS D'EXPERIENCES ?

Si vous avez envie de vous lancer dans l'utilisation des plans d'expériences, vous
pouvez facilement vous initier à cette technique en faisant l'acquisition d'un livre
d'introduction aux plans d'expériences [1].
Ce n'est pas cher et c'est aussi le moyen de bien vous rendre compte de l'intérêt de
cette technique. Si vous connaissez un peu les plans d'expériences et si vous désirez
vous perfectionner, la référence [21] est faite pour vous.
10. BIBLIOGRAPHIE
[1] GOUPY Jacques «Introduction aux Plans d'expériences». Dunod. Paris. 303
pages. (2001).
[2] BOX George.E. P., HUNTER William G. , HUNTER J. Stuart «Statistics for
Experimenters» deuxième edition. John Wiley and Sons. New-York. 633
pages. (2005).
[3] KOSHAL R. S. «Application of the method of maximum likehood to the
improvement of curves fitted by the method of moments» Journal of Royal
Statistic Soc A96 303-313. (1933).
[4] RECHTSCHAFFNER R. L. «Satured Fractions of 2n and 3 Factorial
Designs». Technometrics, vol. 9. (1967). 569-575.
[5] PLACKETT R. L. and BURMAN J. P. «The design of optimum multifactorial
experiments». Biometrika, n°33. (1946).
[6] PILLET Maurice «Introduction aux Plans d'expériences par la méthode
Taguchi.» Les Editions d'organisation. Paris. 224 pages. (1992).
[7] BOOTH Kathleen H. V. and COX D. R. «Some Systematic Supersatured
Designs». Technometrics, vol. 4. (1962). 489-496.
[8] POIRIER Jacques «Analyse de la variance et de la régression. Plans
d'expériences» Techniques de l'ingénieur. Traité Mesures et contrôle, R260,
p. 1-23. (1993).
[9] YOUDEN W.J. «Statistical Methods for Chemists» John Wiley and Sons.
New-York. 126 pages. (1951).
[10] GOUPY Jacques «Plans d’expériences pour surfaces de réponse ».
Dunod. Paris. 409 pages. (1999). ISBN 2 10 003993 8.
[11] DOEHLERT David H. «Uniform Shell Design» Appl. Stat. n°19, p 231.
(1970).
[12] BOX G.E.P. and BEHNKEN D. W. «Some new three level designs for the
study of quantitativevariables». Technometrics, vol. 2, 1960, 455 - 475.
[13] ROQUEMORE K. G. «Hybrid Designs for Quadratic Response Surfaces»
Technometrics, vol. 18, n°4. (1976). 419-423.
[14] MOZZO Gil «Plan quadratique Gigogne». Revue de statistique appliquée,
 vol. 38 (3), p.23-34. (1990).
[15] GOUPY Jacques «Plans d'expériences non conventionnels. Théorie et
applications (ou comment sauver un plan raté) ». Analusis. 23 152-158. (1995).
[16] GOUPY Jacques. "Plans d'expériences : les mélanges". Dunod. Paris. 285
pages. (2000). ISBN 2 10 004218 1.
[17] CORNELL John A «Experiment with Mixtures» John Wiley and Sons. New-
York. (1981).
[18] GOUPY Jacques «Boolean Experimental Designs». Analusis vol 28, n°7.
563-570. (2000).
[19] GOUPY Jacques. "Plans d'expériences". Techniques de l'ingénieur. Traité
Analyse Chimique et Caractérisation, P230, p. 1-20. (1992).
[20] MORINEAU Alain et CHATELIN Yves-Marie
"L’analyse statistique des données. Apprendre, comprendre et réaliser avec
Excel. Ellipses, (2005).
GOUPY Jacques. "Pratiquer les Plans d'Expériences". Dunod. Paris. 560 pages. (2005).