Vous êtes sur la page 1sur 34

Facult des Sciences Pharmaceutiques de Tours.

Laboratoire de Biophysique et Mathmatiques

LES PLANS FACTORIELS COMPLETS


Cours et noncs dexercices

Mai 2009

Claude HOINARD

TABLE DES MATIERES


GENERALITES CONCERNANT LES PLANS EXPERIMENTAUX
Introduction Petit historique des plans dexpriences Le vocabulaire de base Aspects algbriques et statistiques des plans exprimentaux Apercu sur les applications des plans factoriels En guise de conclusion

LES PLANS FACTORIELS COMPLETS


Prsentation. 1- Dfinition des effets principaux et des interactions Calculs.
1-1 Le plan 22 (facteurs tudis : A et B) 1-2 Le plan 23 (facteurs A, B et C) 1-3 Les plans 2n.

9
9

2- Analyse des rsultats : quels effets sont significatifs ?

14

2-1 Estimation des effets significatifs : y est connu par des expriences antrieures. 2-2 Estimation des effets significatifs : y n'est pas connu, mais il est effectu des essais complmentaires. 2-3 Estimation des effets significatifs : y n'est pas connu et il n'a pas t effectu d'essais complmentaires.

3 - Le modle linaire et les expriences factorielles 2n.


3-1 Lquation du modle linaire associ aux plans factoriels 2n . 3-2 Utilisation de la rgression linaire multiple 3-3 Validation du modle. 3-4 Modlisation en reprsentation qualitative.

15

Conclusion sur les plans 2n.

ANNEXE : CRITERE GRAPHIQUE DE NORMALITE DUNE DISTRIBUTION.


Introduction 1- Principe de la reprsentation. 2 - Calculs effectuer : frquences relatives cumules puis z. 3- Des exemples de graphes de probabilit Normale. 4 - Application la dtection des effets significatifs dun plan factoriel.

22

EXERCICES SUR LES PLANS FACTORIELS COMPLETS

29

GENERALITES CONCERNANT LES PLANS EXPERIMENTAUX


Introduction

Quest ce quun plan exprimental ?


Une exprience est une intervention volontaire dans un systme en fonctionnement pour mesurer les effets de cette intervention. Lexprimentation diffre de lenqute par le fait que dans cette dernire on se contente dobserver passivement le fonctionnement du systme. Seule lexprience est capable dapporter des renseignements sur les relations de causes effets. Le plan dexpriences correspond toutes les mesures dorganisation prises pour effectuer ltude ; il comprend le schma exprimental, dfinit de faon prcise les mthodes, les appareils utiliss, les modes opratoires, les produits, les jours de manipulation, les oprateurs....

Un exemple dtude de procd et ncessit dune stratgie adapte lobjectif : notion de plan efficace.
Il ny a pas si longtemps, le principe de base de lexprimentation tait de ne faire varier quun facteur la fois ; Il est important de noter que les rsultats de cette stratgie, certes scurisante, sont mdiocres. Il a t dmontr quil est plus efficace de faire varier simultanment plusieurs facteurs la condition de respecter certaines rgles qui font prcisment lobjet de cet enseignement.

Le message de cette introduction


Pour acqurir des connaissances prcises sur un phnomne ou un procd, la mthode des plans multifactoriels est celle qui apporte le plus defficacit.

PETIT HISTORIQUE DES PLANS DEXPERIENCES


Les bases datent des annes 1925 (R.A. FISHER). Dans le secteur Industriel, technique reste confidentielle jusquaprs la deuxime guerre mondiale ; dveloppement au Japon entre les annes 1950 et 1960 grce notamment TAGUCHI ; ses travaux sont diffuss aux Etats Unis et appliqus grande chelle vers les annes 1970. En Europe, les grandes Entreprises industrielles utilisent les plans exprimentaux partir des annes 1980. Actuellement cette mthode dexprimentation est utilise par lensemble des Industriels, petits et grands.

La mthode est maintenant considre comme un OUTIL DE LA QUALITE, indispensable au stade de la conception des produits pour permettre de fixer les paramtres de dveloppement du produit de faon optimale. au cours de la production, comme complment indispensable des mthodes de matrise des procds. Une fois comprise, la mthode constitue une tape irrversible dans la carrire dun technicien ou dun ingnieur qui ne pourra plus envisager de raliser des essais sans utiliser un plan dexpriences. RYAN (1990 - Confrence sur la Qualit)

LE VOCABULAIRE DE BASE
1- Facteur et Rponse.
Un facteur est un paramtre ou un tat du systme tudi ( phnomne ou procd ) dont la
variation est susceptible de modifier le fonctionnement de ce systme. La rponse (ou critre) du systme correspond au paramtre mesur ou observ pour connatre leffet des facteurs tudis sur le systme. Nous nenvisagerons dans cet enseignement que le cas des rponses quantitatives mesurables.

2- Facteurs quantitatifs et qualitatifs ; niveaux (modalits).


Un facteur quantitatif est un paramtre exprim ental qui sexprime par un nombre ; les niveaux du facteur correspondent aux diffrentes valeurs que lexprimentateur dcide de choisir dans son tude. Un facteur qualitatif se caractrise par un ensemble discontinu dtats ; les tats choisis dans lexprimentation sont appels les modalits - on dit aussi les niveaux - du facteur tudi. Dans un mme plan exprimental, on peut tudier simultanment des facteurs quantitatifs et qualitatifs.

3- Plans multifactoriels dits factoriels.


Un plan est dit factoriel quand, dans une mme exprimentation, il est tudi plusieurs facteurs dont les niveaux sont croiss. Il est dit complet si tous les croisements possibles figurent dans lexprimentation. Nombre de traitements dun plan factoriel complet Un traitement est un ensemble de conditions exprimentales dfinissant les conditions dun essai ; elles correspondent un niveau pour chacun des facteurs. Pour obtenir le nombre total de traitements diffrents exprimenter, il suffit de multiplier le nombre de niveaux de tous les facteurs tudis. Notation des plans factoriels complets. 2 Un plan 2 2 ou 2 signifie quon tudie 2 facteurs A et B chacun 2 niveaux : il dfinit 4 traitements. 8 Un plan 2 correspond ltude de 8 facteurs chacun 2 niveaux : reprsente 256 traitements. Un plan 3 2 4 correspond ltude de 3 facteurs : A est 3 niveaux, B en comporte 2 et C, 4 ; le plan comporte 24 traitements. Nombre dessais effectuer ; cas o il existe des rptitions. Quand chaque traitement est expriment une seule fois, alors :

nombre dexpriences = nombre de traitements


Cest un cas frquent dans les essais industriels et au laboratoire de Contrle. Pour certains types dtudes, notamment biologiques, chaque traitement est expriment plusieurs fois ; on dit quil est fait des rptitions. Il est important de prvoir un mme nombre r de rptitions pour tous les traitements du plan afin de respecter le bon quilibre du plan. Il vient alors :

nombre dexpriences = nombre de traitements

La rponse un traitement est constitue dans ce cas par la moyenne des rponses des rptitions.

4- Facteurs tudis (ou contrls) et facteurs non contrls dans le plan.


Les facteurs agissant sur la rponse du systme sont plus ou moins nombreux selon la nature du systme ; supposons les en nombre k, nombre videmment inconnu de lexprimentateur. Dans un plan factoriel, on nexprimente quun nombre limit, n, de facteurs dont linfluence sur la rponse sera quantifie. Cela signifie que les autres facteurs, en nombre k - n, inconnus de lexprimentateur ou ngligs par lui, sont susceptibles de changer dtat ou de niveau dun essai lautre au cours de la manipulation et donc de faire fluctuer la valeur de la rponse : ces facteurs non contrls crent une variabilit de la rponse y. Un des fondements des plans exprimentaux consiste supposer que les fluctuations de la rponse y pour chaque traitement sont distribues selon une loi Normale. Pour essayer de diminuer la variabilit de la rponse, on a donc intrt contrler le plus de facteurs possibles dans un mme plan, soit quon les tudie, soit quon programme de les maintenir constants pendant lexprimentation. Dautre part, il faut aussi viter que des facteurs non contrls aient la possibil it de jouer de manire systmatique pendant le droulement des expriences en crant des variations chronologiques systmatiques (des drives) de la rponse y randomisation de lordre des essais (rpartition au hasard).

ASPECTS ALGEBRIQUES ET STATISTIQUES DES PLANS EXPERIMENTAUX


1- Aspects algbriques.
Lanalyse dun plan factoriel complet comportant au total n traitements ncessite la mesure de n rponses. Ces n rponses permettent de dfinir n paramtres issus du modle mathmatique associ au plan : un de ces paramtres est la moyenne gnrale des n rponses mesures. les n-1 autres paramtres sont appels des effets.

En ce qui concerne ces effets, deux problmes essentiels se posent : comment les calculer ? Et, quelle signification concrte peuvent-ils avoir ?

Calcul. Les valeurs des n paramtres sont les solutions dun systme de n quations simultanes du premier degr comportant n inconnues ; des notions de calcul matriciel facilitent beaucoup la rsolution de tels systmes dquations do une introduction aux bases de calcul matriciel dans cet enseignement.

Interprtation. Donner une signification concrte des paramtres effets dfinis de faon abstraite partir du modle nest possible que pour quelques-uns ; dabord ceux qui ne font intervenir quun facteur (on les appelle des effets principaux) et ils ont en gnral les valeurs numriques les plus importantes ; notons en passant quun facteur est dit sans action si son effet est nul (E=0) et que leffet dun facteur

6 actif peut tre positif (il fait augmenter la rponse quand le facteur passe du niveau infrieur au niveau suprieur) ou ngatif, selon le sens de son action sur la rponse. Ensuite, il est souvent considr les effets qui font intervenir simultanment deux facteurs (ils sont appels interactions de 2me ordre) ; ces interactions compltent utilement les aspects pratiques des actions des facteurs. En revanche, les autres effets, mettant en jeu simultanment trois facteurs et plus ( interactions dites dordres suprieurs ), ne prsentent la plupart du temps pas dintrt pratique lors de linterprtation dans le domaine de lexprimentation industrielle. Remarquons que comme les n paramtres effets ne sont pas tous ncessaires lors de lanalyse et linterprtation, il est superflu de disposer de n rponses exprimentales. Cest cette constatation qui a t lorigine de la cration des plans factoriels dits fractionnaires dans le but dconomiser la charge de travail exprimental. Pour tudier, par exemple, 6 facteurs 2 niveaux dans un mme plan, on peut nexprimenter que 32 traitements, voire 16 ou mme 8 au lieu des 64 ncessits par le plan complet. La rduction du nombre dexpriences rend videmment ces plans attrayants, mais il faut aussi prciser ds maintenant que linterprtation peut tre dlicate et que la gnration de ces plans est plus complexe : elle doit obir des rgles de symtrie prcises.

2- Aspects statistiques.
La rptition dun mme traitement ne conduit gnralement pas exactement la mme valeur de la rponse mesure. Lorigine de cette fluctuation est double : imprcision de linstrument de mesure qui a permis dobtenir les rponses. influence des variations des niveaux des facteurs non contrls dans le plan entre les rptitions ; cest souvent cette source de variation qui est prpondrante dans les essais industriels.

Les effets, calculs partir des rponses mesures, sont donc entachs de variabilit ; on considre que, comme pour les rponses, leurs fluctuations sont alatoires et normalement distribues.

Se pose alors la question fondamentale de savoir partir de quelle valeur seuil, il faut considrer quun effet calcul a une valeur srement diffrente de 0. En dautres termes, partir de quelle limite peut-on considrer que le facteur (ou linteraction) agit rellement ? Ce sont les tests statistiques qui apportent ce type de renseignements : test t de comparaison de 2 moyennes dans les cas les plus simples, analyse de variance plusieurs facteurs croiss (ANOVA) le plus souvent. Ajoutons que la modlisation des rsultats, ncessaire pour certaines applications, utilise comme outil privilgi la rgression linaire multiple. Toutes ces considrations justifient lapprofondissement des connaissances statistiques dans cet enseignement.

APERCU SUR LES APPLICATIONS DES PLANS FACTORIELS


Pour des objectifs dfinis, il existe des plans exprimentaux adapts, efficaces et conomiques. Citons par exemple :

La recherche (exhaustive) des facteurs agissant sur un procd.


Lide force : pour bien utiliser un procd, il faut en avoir la matrise , cest dire connatre tous les facteurs ayant une action sur la(les) rponse(s) (sens et intensit) du procd ou du phnomne ainsi que les interactions de 2me ordre. Dans ce genre dtude, il sagit pralablement dessayer de deviner tous les facteurs susceptibles davoir un effet puis de les tester dans une exprience multifactorielle pour identifier les facteurs provoquant des variations de rponse significatives Ce type dexprimentation est dit de criblage des facteurs et seffectue chronologiquement avant dutiliser le procd en routine. Il intervient aussi lors de la production pour affiner les rglages du procd (il sera alors programm de petites variations pour ne pas compromettre la qualit de la production). Dans une telle exprimentation il y a presque toujours un grand nombre de facteurs (parfois plus dune dizaine) et pour que le nombre dessais ne soit pas prohibitif, il est intressant et conomique dutiliser : deux niveaux seulement par facteur. des plans factoriels fractionnaires. Cest ainsi quon pourra avoir une bonne connaissance des facteurs actifs et de leurs ventuelles interactions, ce qui pourra conduire, par exemple, ajouter un thermostat au systme pour minimiser laction de la temprature si celle-ci a un effet important, le faire fonctionner en atmosphre contrle si lhumidit ambiante joue un rle nfaste.etc.

La recherche dun optimum de rponse.


Il sagit de mthodes dites doptimisation dans lesquelles on recherche les valeurs des niveaux des facteurs qui conduisent une rponse maximale ou minimale selon le cas. Cette optimisation est assez simple effectuer dans le cas de facteurs qualitatifs : il suffit de rechercher parmi les modalits exprimentes celle qui conduit la rponse la plus convenable (la plus grande ou la plus petite selon le cas). Un plan factoriel complet comportant jusqu 4 ou 5 facteurs convient parfois pour ce type dtude si le nombre de modalits tudies nest pas trop grand ; dans le cas contraire, il est utilis des plans factoriels fractionnaires. Avec des facteurs tous quantitatifs, il faut tre capable de prdire numriquement la rponse en fonction des valeurs des niveaux des facteurs : cette opration sappelle une modlisation. me Lquation est ncessairement du 2 degr pour tre capable de prsenter un maximum ou un minimum. Il faut donc que chaque facteur soit expriment sous 3 niveaux ; pour de telles tudes, les plans utiliss font intervenir un nombre limit de facteurs (pas plus de 4 ou 5) pour ne pas trop alourdir lexprimentation et compliquer lanalyse ainsi que linterprtation des rsultats. Ajoutons en ce qui concerne loptimisation, quil existe, en concurrence avec les mthodes planifies lavance et ncessitant une modlisation dont nous venons de donner un aperu, des techniques doptimisation itratives plus directes, plus simples utiliser et interprter. Elles ont pour nom : mthode uniplex quand on ne fait varier quun facteur dans loptimisation et mthode simplex quand on fait varier plusieurs facteurs simultanment. Ces mthodes ont prouv leur efficacit pour localiser un optimum.

La recherche de nominale.
Il sagit de construire des plans dans lesquels on recherche les valeurs des niveaux des facteurs qui conduisent une rponse gale une valeur cible qui nest ni un maximum ni un minimum. Pour concrtiser ce cas, citons lexemple de la recherche des rglages dune machine desti ne fabriquer des bidons de plastique dont la contenance doit tre exactement de 1 litre (la nominale). Les plans utiliss sont souvent des plans factoriels complets comportant un nombre restreint de facteurs (au maximum 3 ou 4). Ces facteurs doivent tre quantitatifs avec un nombre de niveaux suffisant pour quadriller convenablement le domaine exprimental. Ce qui permet destimer lquation des variations de la rponse en fonction des facteurs et dventuelles interactions (modlisation) et ainsi de prdire les caractristiques numriques des facteurs conduisant la valeur cible.

En guise de conclusion
Ce qui prcde ne constitue que quelques aperus de plans permettant de rsoudre des problmes se rencontrant frquemment dans le domaine industriel. Prcisons que, plus gnralement, pour chaque objectif dfini il a t dvelopp un plan efficace qui figure dans labondante littrature des plans exprimentaux. Prenons un seul exemple : les plans de mlange (dits de Scheff) sont utiles considrer pour un pharmacien industriel travaillant dans le domaine des pteux.

LES PLANS FACTORIELS COMPLETS


Prsentation.
Ce chapitre est principalement consacr aux plans factoriels 2 . En fin de chapitre, nous envisagerons le cas des plans factoriels complets dans lesquels des facteurs sont tudis sous plus de deux niveaux. Dans un plan factoriel complet 2 , n facteurs ( qualitatifs et / ou quantitatifs ) sont tudis dans une mme exprimentation, chacun 2 niveaux ( souvent appels niveau BAS et niveau HAUT ). Toutes les combinaisons des niveaux des facteurs doivent tre tudies : elles sont en nombre 2 n dfinissant autant de traitements diffrents (les conditions exprimentales). Le nombre d'essais raliser est donc aussi gal 2 s'il n'est pas prvu de rpter chaque traitement ; dans le cas contraire, en appelant r le nombre de rptitions - qui doit tre le mme pour tous les traitements - le nombre total d'essais raliser dans le plan exprimental est : n N = r *2 Un plan 2n permet de mettre en vidence, parmi les n facteurs tudis, ceux qui agissent sur la rponse mesure y ; la mthode permet en plus d'valuer diverses interactions susceptibles de se produire entre les actions des facteurs.
n n n

1- DEFINITION DES EFFETS PRINCIPAUX ET DES INTERACTIONS CALCULS.


1-1 Le plan 22 (facteurs tudis : A et B)

domaine de variation des facteurs ; modalits pour les facteurs qualitatifs ; valeurs (niveaux) pour les facteurs quantitatifs ; facteurs centrs rduits (notation de Yates). cf exercice n1 ( questions 1, 2 )
B
+1
Essai n 3 Essai n 4

-1

+1

Essai n 1 -1

Essai n 2

Remarquons que les 4 points expriments sont aux extrmits du domaine exprimental qui est dans ce cas un carr.

10

matrice d'expriences.
cf exercice n1 ( question 3 )

Ce tableau rcapitule les essais effectuer : cest le plan de manipulation. Il prsente 4 lignes, une par essai, et 2 colonnes, une par facteur, indiquant les niveaux de chaque facteur dans lessai ( -1= niveau BAS ; +1= niveau HAUT). Les essais sont identifis par des numros de 1 4.

effet principal d'un facteur : expressions .


il est valu par la variation de rponse quand le facteur passe du niveau
HAUT. BAS

EFFET GLOBAL

au

niveau Sa signification est vidente ; un effet peut tre positif (la rponse augmente) ou
EFFET MOYEN

ngatif (la rponse diminue). diffrence entre la rponse y quand le facteur est au niveau HAUT et la moyenne gnrale y des rponses ; sa valeur est gale la moiti de l'effet global comme peut le voir sur le schma suivant. Cest lui qui sera utilis dans la suite de ce document.

on

y yA2
Effet moyen Effet global

y
yA1

A1

A2

interaction entre 2 facteurs ; quantification.

Il existe une interaction lorsque l'effet d'un facteur dpend du niveau de l'autre facteur.
Rponse y
Mesures au niveau B2 Mesures au niveau B1

Effet de A au niveau B2

Effet de A au niveau B1

A1

A2

11 Le schma prcdent illustre la prsence dune interaction entre les facteurs A et B : leffet de A au niveau B2 nest visiblement pas gal leffet de A au niveau B1. Une interaction est une action mutuelle : leffet de B dpend rciproquement du niveau de A Aspect quantitatif. Leffet dune interaction est valu par la demi diffrence entre l'effet moyen d'un facteur au niveau HAUT de l'autre et l'effet moyen de ce mme facteur au niveau BAS de l'autre.

signification de l'effet d'un facteur quand il y a interaction .


Lorsquune interaction est prsente, leffet principal dun facteur perd sa signification immdiate quand on le considre indpendamment de lautre facteur puisquil dpend du niveau de ce dernier. Numriquement, sa valeur correspond leffet de ce facteur quand lautre facteur est au niveau 0.

pratique des calculs avec la notation de Yates : matrice des effets.


cf exercice n1 ( question 4 ) et exercice n2 ( question 1 ) La matrice des effets est conue pour calculer les 4 paramtres que lon peut extraire des rsultats de lexprimentation ; par rapport la matrice dexprience, elle comprend les colonnes supplmentaires suivantes : 1 colonne pour linteraction AB, -1 ou +1 selon le produit des colonnes A et B. 1 colonne pour le calcul de la moyenne des rponses y, ne contenant que des +1. 1 colonne pour les valeurs individuelles des rponses y.

Les formules de calcul des paramtres sont : EA = 1/4 ( - y1 + y2 - y3 + y4 ) EB = 1/4 ( - y1 - y2 + y3 + y4 ) EAB = 1/4 ( + y1 - y2 - y3 + y4 )

effet principal de A effet principal de B effet de l'interaction AB moyenne gnrale des rponses

y =1/4 ( + y1 + y2 + y3 + y4 )

Les squences des facteurs centrs rduits (-1 ; +1) des colonnes de la matrice des effets pour les 4 essais reproduisent exactement celles des formules prcdentes. Le calcul dun paramtre effet se prsente donc comme la somme des produits de la colonne rponse avec la colonne effet, divise par 4.

1-2 Le plan 23 (facteurs A, B et C)

domaine exprimental ; matrice d'expriences.


cf exercice n3 ( question 1 )

Le tableau des 8 essais (un essai par ligne) contient maintenant 3 colonnes, une par facteur. Le schma de la page suivante fait apparatre que les 8 points exprimentaux se situent aux extrmits du domaine, dans ce cas les sommets dun cube. Cette disposition aux extrmits est gnrale pour tous les plans factoriels dont les facteurs sont expriments 2 niveaux. Cest elle qui procure les avantages essentiels des plans factoriels : indpendance des effets calculs les uns par rapport aux autres (proprit dite dorthogonalit), prcision optimale de ces estimations deffets.

12

C
-1 ; -1 ; +1 -1 ; +1 ; +1

+1 ; -1 ; +1

+1 ; +1 ; +1

B
-1 ; +1 ; -1

-1 ; -1 ; -1

+1 ; -1 ; -1

+1 ; +1 ; -1

A
Il est possible de montrer mathmatiquement que toute autre disposition des points exprimentaux est moins efficace pour obtenir les effets. Voir ce propos lexercice 2 ( question 3).

effets des actions ( facteurs et interactions ) ; signification.


3 effets principaux ( A, B, C ). 3 interactions de 2me ordre ( AB, AC, BC ) mettant en jeu 2 facteurs. 1 interaction de 3me ordre ( ABC ) mettant en jeu les 3 facteurs.

Les formules de calcul des paramtres partir des 8 rponses scrivent : EA = 1/ 8( - y1 + y2 - y3 + y4 - y5 + y6 - y7 + y8 ) EB = 1/ 8( - y1 - y2 + y3 + y4 - y5 - y6 + y7 + y8 ) EC = 1/ 8( - y1 - y2 - y3 - y4 + y5 + y6 + y7 + y8 ) EAB = 1/ 8( + y1 - y2 - y3 + y4 + y5 - y6 - y7 + y8 ) EAC = 1/ 8( + y1 - y2 + y3 - y4 - y5 + y6 - y7 + y8 ) EBC = 1/ 8( + y1 + y2 - y3 - y4 - y5 - y6 + y7 + y8 ) EABC= 1/ 8( - y1 + y2 + y3 - y4 + y5 - y6 - y7 + y8 )

y = 1/ 8( + y1 + y2 + y3 + y4 + y5 + y6 + y7 + y8 )

pratique des calculs : matrice des effets.


cf exercice n3 ( questions 1 et 2 ).

La matrice des effets contient la colonne des rponses y et 8 colonnes correspondant chacune un paramtre. La mthode de calcul dun effet est la mme que pour le plan 22 : on effectue la somme des produits des colonnes rponse et effet, puis on divise par 8.

13

1-3 Les plans 2n.


conditions exprimentales ; nombre d'effets d'actions calculer (effets principaux et interactions de divers ordres ). n Gnralisation des plans prcdents, lexprimentation comprend 2 traitements diffrents et autant dessais. En ngligeant la moyenne des rponses mesures, paramtre particulier, ces plans permettent de dfinir et de calculer 2n 1 effets dactions : n effets principaux.

2 n

interactions du 2me ordre.

le reste est constitu par des interactions dites dordres suprieurs, en nombre pour les interactions dordre 3, etc.

3 n

Il est difficile de donner une signification concrte aux interactions dordres suprieurs qui ne correspondent mathmatiquement qu des termes correctifs provenant de la rsolution du systme dquations ; il est considr gnralement que ces interactions nont pas dexistence relle. Il leur est donc attribu un effet thorique nul. Leurs effets calculs sont cependant diffrents de 0 par suite de la dispersion exprimentale et sont utiles connatre pour des raisons statistiques ; nous y reviendrons. En pratique, lanalyse et linterprtation sont focalises essentiellement sur les effets principaux et les interactions dordre 2. Remarquons enfin que, du point de vue manipulation, ces plans prsentent linconvnient dtre vite trs consommateurs dexpriences : chaque fois que n augmente dune unit, le nombre dessais est multipli par deux.

matrices d'expriences et des effets ; pratique des calculs d'effets.

exercice n4 ( question 1 ). La matrice dexpriences comporte n colonnes, une par facteur. Elle ne comprend que des 1 accompagns des signes ou +. Pour le facteur A, on a une suite de signes et + alterns, commenant par un signe -. La suite des signes du facteur B est constitue de deux signes -, suivis de deux signes +, puis deux signes -, nouveau deux signes + etc. Pour le facteur C, la suite des signes est constitue de quatre signes -, suivis de quatre signes +, etc. Les facteurs suivants ont 8, 16, 32 signes -, suivis de 8, 16, 32 signes +. Pour chaque facteur, il y a autant de signes que de signes +. Pour construire la matrice des effets, il faut ajouter 2 n colonnes, correspondant au nombre total dinteractions et la moyenne. Le contenu de chaque colonne est obtenu en multipliant les valeurs 1 ou +1 des facteurs participant linteraction pour chaque essai. Il faut aussi crer la colonne des moyennes qui ne contient que des +1 et la colonne des rponses y. La technique de calcul des effets est analogue celle utilise pour les plans 22 et 23.
n

calcul des effets quand le plan comporte des rptitions .


exercice n4 ( question 2 ).

Lorsque le plan comporte des rptitions, la rponse reprsentative dun traitement est constitue par la moyenne des rponses individuelle obtenues pour ce traitement . Il faut donc pralablement calculer les 2n moyennes. Puis on effectue le calcul des effets avec la matrice des effets en utilisant comme rponses les moyennes prcdemment dtermines. Il est important que chaque moyenne reprsente le mme poids dans le calcul des effets, il faut donc que le nombre de rptitions soit le mme pour toutes les conditions exprimentales.

14

2- ANALYSE DES RESULTATS : QUELS EFFETS SONT SIGNIFICATIFS ?


Par suite de la variabilit des rponses exprimentales, un effet sans action na pas une valeur calcule exactement gale 0 ; on peut cependant esprer que son rsultat ne scartera pas trop de 0. La question se pose donc de savoir partir de quelle valeur seuil, on peut considrer quun effet est significatif, autrement dit que le facteur ou linteraction a une action relle.

Relation fondamentale :
Entre l'cart type y des n rponses individuelles y, suppos le mme en tous les points du domaine exprimental et l'erreur type E commune tous les effets, il existe la relation :

y n

Dans la pratique, divers cas peuvent se produire mais le plus souvent y sera remplac par son sy estimation Sy . On crit alors : SE n La solution du problme de signification des effets est statistique ; il y a autant de tests effectuer quil y a deffets estims. Un avantage des plans factoriels 2 niveaux est que chaque test de comparaison dun effet calcul la valeur 0 est mathmatiquement indpendant des autres tests (les comparaisons sont dites orthogonales). On peut ainsi utiliser une srie de tests z (loi normale) ou de tests t (loi de Student) selon les informations dont on dispose concernant la variabilit de la rponse.

2-1 Estimation des effets significatifs : y est connu par des expriences antrieures.
cf exercice n3 ( question 3 ). Les conditions des expriences antrieures doivent videmment tre comparables celles de lexprimentation actuelle et en nombre suffisant pour que y soit considr comme connu avec prcision. Dans ces conditions, on calcule E et chaque effet estim est compar la valeur thorique 0 par un test fond sur lemploi de la loi normale. Un effet est dclar significatif au risque 0,05 si la valeur absolue calcule de z est suprieure 1,96.

2-2 Estimation des effets significatifs : y n'est pas connu, mais il est effectu des essais complmentaires.

quelques essais complmentaires en un mme point l'intrieur du domaine exprimental (de prfrence au centre du domaine ).
Cf exercice n2 ( question 2 ).

Lors de llaboration du plan, il a t prvu un nombre N de rptitions (essais correspondant un mme point lintrieur du domaine). Il est intressant de choisir le centre du domaine (point 0 des facteurs centrs rduits) lorsque les facteurs sont quantitatifs mais ce nest pas une obligation ( y est suppos constant dans le domaine). Le nombre N doit tre au minimum gal 5 pour que lestimation Sy ne soit pas trop imprcise. Il est ensuite calcul SE. Les tests des comparaisons des effets 0 utilisent la loi de Student N-1 degrs de libert. Tout effet dont le test t conduit un degr de signification infrieur 0.05 est dclar significatif.

15

rptition entire du plan factoriel.


Cf exercice n4 ( question 3 ).

On dispose alors de groupes de rsultats comprenant chacun plusieurs valeurs comparables (un groupe correspond un traitement). Il faut estimer une variance Sy commune lensemble des groupes (par addition des SCE et des ddl de chaque groupe), puis Sy ; aprs avoir calcul SE, il est procd aux comparaisons des effets calculs la valeur 0 au moyen de tests de Student ; le nombre de degrs de libert de chaque test est gal celui qui a permis destimer Sy. On peut aussi utiliser lanalyse de variance, mthode quivalente aux multiples tests t dans les plans factoriels puisque les effets sont tous indpendants les uns des autres ; les 2 mthodes donnent des degrs de signification identiques pour les effets.

2-3 Estimation des effets significatifs : y n'est pas connu et il n'a pas t effectu d'essais complmentaires.

principe de l'estimation de SE partir des interactions d'ordres levs.


( partir du 3 ordre). cf exercice n4 ( question 4 ).
me

Dans ce cas, on prend comme hypothse que les interactions dordres levs (3 et plus) nont pas deffet ; leurs valeurs calcules ne sont supposes diffrer de 0 que par suite de la dispersion exprimentale et constituent donc des mesures dcarts 0 alatoires. Ce qui permet destimer lerreur type SE des effets et de tester la signification des autres effets du plan (principaux et du 2me ordre) par une srie de tests de Student. Cette mthode nest conseille que pour des plans factoriels comportant au minimum 4 facteurs (il y a alors 5 effets dordre suprieurs) pour que limprcision de SE ne soit pas trop grande.

mthode graphique : le graphe de probabilit normale .


cf exercice n5 ( questions 1, 2, 3 et 4 ).

Les facteurs et interactions inactifs ont des effets calculs supposs tre distribus normalement autour de 0 avec lcart type E.. Pour les distinguer des actions ayant un effet rel (valeur diffrente de 0 et trs suprieure E en grandeur), on peut utiliser une mthode graphique, variante de la droite de Henry. Celle ci a pour but de vrifier la normalit dune distribution de donnes en examinant le profil des points classs par valeurs croissantes, profil qui doit tre sensiblement celui dune droite. On peut ainsi apprcier visuellement un cart la normalit de la distribution (les points seront disposs selon une courbe) et des valeurs aberrantes , donnes individuelles trs loignes des autres donnes qui, elles, sont sensiblement alignes et peuvent tre considres comme distribues normalement. Dans cette reprsentation, les actions et interactions sans effet devront donc tre sensiblement alignes et les effets significatifs loigns de cette droite, ce qui permet de les identifier. Pour plus dtail sur le principe de cette reprsentation, consulter lannexe de ce chapitre.

3 - LE MODELE LINEAIRE ET LES EXPERIENCES FACTORIELLES 2n.


La mthode prcdente de calcul des effets utilise de faon sous jacente les proprits dun modle appel modle linaire. Celui-ci ne permet pas seulement de quantifier des effets et de

16 dtecter ceux qui sont significatifs, il a dautres objectifs, notamment de prdiction, que nous nous contenterons ici desquisser. Lquation du modle est par exemple indispensable considrer quand le but de ltude est de prdire la rponse en nimporte quel point du domaine exprimental, dans des conditions o aucune mesure na t effectue, ou encore pour choisir les valeurs des niveaux des facteurs en vue dexpriences futures destines se diriger le plus rapidement possible vers un optimum de rponse.

3-1 Lquation du modle linaire associ aux plans factoriels 2n .


Dans le modle linaire associ aux plans factoriels 2 , la rponse prdite est la somme de plusieurs termes. Chaque terme reprsente un effet significatif, facteur ou interaction. Pour un facteur, le terme est une fonction du 1er degr par rapport au facteur centr rduit X, le coefficient de proportionnalit tant gal leffet principal de ce facteur (effet moyen). Pour une interaction, le terme est constitu par les produits des facteurs centrs rduits intervenant dans linteraction et leffet de cette interaction.
2
n

Cas d'un plan 2 sans interaction.


Lquation du modle scrit :

= y +E X +E X Y A A B B

y est la rponse prdite au centre du domaine exprimental (elle correspond XA=0 et XB=0) ; sa valeur est gale la moyenne des rponses mesures des 4 essais du plan. EA, EB dsignent les effets principaux calculs qui doivent tre significatifs pour figurer dans lquation de prdiction de la rponse. Les variables explicatives XA, XB sont les facteurs centrs rduits des facteurs A et B.
symbolise la valeur de la rponse prdite par le modle pour des valeurs donnes de XA et XB. Y

Cas d'un plan 22 avec interaction.

Lquation du modle contient un terme supplmentaire reprsentant linteraction entre les facteurs A et B dont leffet est EAB . Elle scrit :

= y +E X +E X +E X X Y A A B B AB A B
Cette quation complte ne prsente dintrt que si les 3 effets EA, EB et EAB sont significatifs. Dans ces conditions, les rponses prdites pour les 4 points expriments dans le plan sont exactement gales aux rponses mesures sil ny a pas de rptitions. En revanche, lorsquun des effets nest pas significatif, EB par exemple, il est inutile dcrire son terme dans lquation du m odle qui se simplifie et devient :

= y +E X +E X X Y A A AB A B
Les rponses prdites pour les points expriments sont alors en gnral diffrentes des rponses mesures, quil y ait des rptitions ou non ; les diffrences entre rponses mesures et prdites sont appeles des rsidus. Nous y reviendrons.

gnralisation : cas d'un plan 2n


cf exercice n5 ( question 5 ).

Pour des plans factoriels comprenant un nombre croissant de facteurs, le nombre tot al deffets calculer [principaux (nombre n) et interactions] augmente rapidement avec n. Cependant, en pratique, il a t constat que le nombre deffets significatifs dune exprimentation se limite trs souvent

17 quelques facteurs et interactions de 2me ordre. Lquation du modle reste donc relativement simple puisquil ny figure que des sommes de termes deffets significatifs. Cette quation constitue le rsum le mieux adapt linterprtation lorsque les facteurs significatifs sont tous quantitatifs continus. Les variables explicatives X ont t exprimentes pour 1 et +1 mais toute autre valeur comprise entre ces limites dfinit un point du domaine : lquation numrique permet lestimation de la valeur de la rponse en ce point. Lensemble des rponses prdites dans tout le domaine exprimental dfinit un ensemble de surfaces appeles surfaces de rponses. Nous venons de donner un aperu dun outil statistique de prvision appartenant aux mthodes dites de modlisation par surfaces de rponses. Notons que ce modle simple, pos a priori, a ses limitations. Il est en dfaut lors de certaines er situations exprimentales. Du 1 degr par rapport chacun des facteurs, il est par exemple incapable de simuler un maximum ou un minimum de rponse dans le domaine explor ; il faudrait pour cela utiliser une quation contenant au moins un terme du 2me degr en X. Et le plan exprimental devrait donc avoir t conu pour comporter un minimum de 3 niveaux par facteur. Remarquons aussi que lorsque les facteurs sont qualitatifs, les valeurs 1 et +1 des facteurs centrs rduits ne constituent que des codes de dsignation des 2 modalits exprimentes, utiles uniquement pour le calcul des effets. Toute autre valeur de X na, en revanche, pas de signification concrte. Lquation du modle, crite sous cette forme mathmatique, est trompeuse puisquelle na de sens que pour deux valeurs particulires de X. Nous tudierons dans un prochain paragraphe une technique de modlisation en reprsentation qualitative, mieux adapte ce cas.

3-2 Utilisation de la rgression linaire multiple


cf exercice n4 ( question 5 ). La rgression linaire multiple a pour objet dexpliquer une variable (ici la rponse y) par plusieurs variables explicatives (ici les facteurs et interactions) au moyen dune relation linaire. Cest un outil statistique de prvision. Cette mthode convient particulirement bien pour la modlisation des plans factoriels 2 n comportant des facteurs quantitatifs : les variables explicatives sont indpendantes entre elles (par construction du plan et il est facile de le vrifier en remarquant que les corrlations entre les colonnes de la matrice des effets, prises deux deux, sont toutes nulles). Il en rsulte que les coefficients de lquation (les effets estims) sont aussi indpendants les uns des autres et ne dpendent pas du nombre de variables explicatives introduites dans la rgression. En pratique, dans la matrice des effets, on choisit habituellement comme variables explicatives les colonnes correspondant aux facteurs et aux interactions dordre 2. En procdant ainsi, on admet donc que les interactions dordres suprieurs, ngliges dans lexplication de la rponse y, nont pas deffet. Un intrt de cette supposition est statistique : il est ainsi possible destimer lcart type des effets comme nous lavons dj vu en (2-3) et de tester les effets principaux et les interactions dordre 2. Des programmes de calcul de la rgression linaire multiple existent dans la plupart des logiciels de statistique et dans quelques tableurs (notamment Excel). Lavantage de lutilisation dun tel programme est vident : il donne immdiatement les estimations des effets moyens, lerreur type de ces effets, les effets significatifs accompagns du degr de signification. Les rsultats peuvent comprendre en plus ltude des rsidus, importante pour dtecter dventuelles mesures aberrantes, incompatibles avec le modle choisi. Ajoutons que la rgression linaire multiple fournit pour tous les plans factoriels deux niveaux des rsultats identiques ceux qui ont t obtenus plus laborieusement dans les paragraphes 2 et 3.

18

3-3 Validation du modle.


Les mthodes de calcul des effets (matrice des effets ou rgression linaire multiple) utilisent les proprits du modle linaire du premier degr. Celui-ci repose sur un certain nombre de suppositions, la fois mathmatiques et statistiques, dont il est ncessaire de vrifier quelles sont plausibles.

Test du modle.
cf exercice n2 ( question 4 ). En choisissant les points exprimentaux aux extrmits du domaine et en ajustant lquation

numrique grce ces seuls points, lutilisateur fait en sorte que les rponses prdites proche possible des rsultats exprimentaux y.

soient le plus Y

Le choix de ce modle est cependant empirique : il sagit de lquation la plus simple (du premier degr, ne tenant compte que des effets significatifs) et il arrive parfois quelle constitue une approximation trop grossire pour pouvoir sappliquer lensemble des rponses y mesures. De plus, en pratique, rien ne prouve que le modle est capable de sajuster correctement lintrieur du domaine exprimental comme illustr sur le schma suivant :
rponse y modle vrai (inconnu)

mesure au niveau haut modle linaire ajust mesure au niveau bas

Supposons que le modle vrai du systme expriment corresponde une quation du 2me degr. Lapproximation par le modle linaire, matrialis par la droite ajuste nest convenable quaux 2 extrmits du domaine du facteur A ; il est visible quil existe des carts importants entre les deux modles lintrieur du domaine exprimental, dans lequel aucune mesure na t effectue. Le modle linaire nest videmment pas dans ce cas, un bon outil de prvision des rponses hors des points expriments.

-1

0 facteur A

Pour sassurer de la validit de lquation de rgression (linarit) dans lensemble du domaine exprimental, il est ncessaire dexcuter des expriences complmentaires - des rptitions au centre du domaine exprimental. Il devient alors possible de comparer statistiquement la rponse moyenne des rptitions mesures au centre du domaine, la valeur prdite par le modle du premier degr. Rappelons que la valeur de cette dernire est la moyenne y des essais du plan. Ces 2 moyennes doivent peu diffrer si le modle est valide. Lorsque lexprimentateur obtient des valeurs trs diffrentes, scartant de plusieurs fois lcart type, il faut mettre en cause lquation du modle linaire adopt. Un modle empirique plus complexe, er me o les facteurs significatifs ninterviennent pas seulement au 1 degr mais aussi au 2 degr, rend probablement mieux compte des rsultats du plan factoriel. Signalons enfin que la mise en uvre de ce test de linarit de lquation, au centre du domaine, nest ralisable que si tous les facteurs significatifs tudis sont quantitatifs continus : le centre du domaine (X=0 pour tous les facteurs) doit videmment correspondre un traitement physiquement ou chimiquement possible. Or cela nest pas le cas avec des facteurs qualitatifs dont les modalits varient par bond. Pour ces derniers, la prdiction des rponses lintrieur du domaine ne prsente pas de signification concrte.

19

tude des rsidus.


cf exercice n5 ( question 6 )

On appelle rsidu la diffrence entre la rponse mesure et la rponse prdite par le modle. Pour lessai n i, la valeur de son rsidu ri est gale :

ri
yi et

yi

i y

i dsignent respectivement les valeurs mesures et prdites pour lessai i. y

La notion de rsidu na pas de signification lorsquil est tenu compte dans lquation du modle de tous les effets calculs du plan factoriel : ils sont videmment tous nuls pour un plan ne comportant pas de rptitions. Lorsquon ne tient compte que des ef fets significatifs, les rsidus ont des valeurs non nulles qui doivent tre considres comme des termes derreur ; ils correspondent par dfinition la partie de la mesure non explicable par le modle. Les causes de leur existence sont diverses : citons les variations des facteurs non contrls pendant lexprimentation (cause souvent prpondrante), limprcision de la mthode de mesure et un ventuel mauvais choix du modle. Par construction, les rsidus ont toujours comme moyenne la valeur 0 et comme cart type Sy, lcart type des rponses individuelles (le paramtre la base des tests des effets). Les suppositions statistiques du modle ncessitent que les rsidus soient distribus de faon alatoire, selon une loi normale. Diverses mthodes simples, le plus souvent graphiques, sont utilises pour essayer de vrifier la normalit et le caractre alatoire ; Citons : Le graphe de probabilit normale, qui permet de dtecter ventuellement un cart la normalit ou un rsidu aberrant (la valeur de la rponse mesure est suspecte, est-ce une faute de manipulation ? ). Ltude des rsidus rduits. Un rsidu rduit rri est dfini comme le rapport ri / Sy . Les rsidus rduits doivent en effet tre compris entre 2 et +2 (il ny a quune probabilit maximale de 0,05 pour quun rsidu rduit dpasse par hasard la valeur 1,96, selon la loi normale). La reprsentation graphique des rsidus en fonction de lordre chronologique des essais (rappelons que cet ordre doit tre obtenu par randomisation) ne doit pas faire apparatre de tendance systmatique la baisse ou la hausse des rsidus. Sinon cela signifie quun facteur non contrl dans le plan a produit une drive des rponses mesures qui biaise les effets calculs. On peut aussi reprsenter ces mmes rsidus en fonction des rponses prdites par le modle ou en fonction des niveaux des facteurs avec le mme objectif que prcdemment : dpister une structure non alatoire des rsidus. Ltude des rsidus aux points expriments seffectue avec nimporte quelle catgorie de facteurs, qualitatifs et / ou quantitatifs. Il nest pas inutile dinsister sur la ncessit de pratiquer ces tudes de validation a posteriori : elles donnent de la crdibilit aux rsultats obtenus.

20

3-4

Modlisation en reprsentation qualitative.


cf exercice n5 ( question 7 a) ).

Pour les facteurs qualitatifs, on peut utiliser avec profit une prsentation diffrente du modle linaire, mieux adapte au caractre discontinu des modalits de cette catgorie de facteurs.

criture du modle. Les facteurs.

Jusqu prsent, nous avons caractris laction dun facteur A (niveaux A1 et A2) par son effet moyen EA. Rappelons que cette grandeur traduit la diffrence entre la rponse au niveau HAUT (A2) et la moyenne gnrale des rponses ( y ) des essais du plan. Pour un facteur qualitatif, cette dfinition est artificielle. Seule la variation de rponse rsultant du passage de A 1 A2 prsente de lintrt ; elle vaut 2EA et sappelle leff et global. Une approche intressante consiste dfinir un effet moyen pour chaque niveau de chaque facteur : il suffit de considrer, en plus, leffet du niveau BAS (A1) dfini comme la diffrence entre la rponse au niveau BAS et la moyenne gnrale y ; sa valeur est donc gale -EA. Le terme de ce facteur dans lquation de modlisation scrit symboliquement : [ -EA +EA ][A], le symbole [A] tant prsent seulement pour indiquer que les valeurs entre crochets se rfrent ce facteur. A gauche est indiqu leffet du niveau A1 et droite celui du niveau A2. De telle sorte que lors du passage de A1 A2, leffet global se calcule immdiatement par lopration : +EA (-EA) = 2EA. Dans un modle comprenant par exemple 2 facteurs A et B significatifs sans interaction, on crira :

= y + [ -EA +EA ][A] + [ -EB +EB ][B] Y


Ce systme de modlisation prsente les avantages suivants : tous les effets des facteurs significatifs chaque niveau sont reprsents numriquement en clair et il est ainsi trs facile de calculer la rponse prdite pour une configuration donne de ltat des facteurs.

Les interactions.
Nous limiterons ici ltude du modle aux interactions de 2 ordre. Les 2 facteurs intervenant dans linteraction sont dsigns par A et B. Selon les niveaux 1 ou 2 de ces facteurs, il y a 4 tats possibles pour linteraction (A1B1, A2B1, A1B2 et A2B2). Leffet EAB, dfini et calcul prcdemment, correspond aux configurations A2B2 et A1B1 ; on peut montrer que les deux autres configurations sont caractrises par un effet gal -EAB de telle sorte que le terme des effets dinteraction scrit de la faon matricielle suivante :
me

EAB EAB

EAB AB EAB

La premire ligne de la matrice correspond au niveau A1 du facteur A et la deuxime au niveau A2. La colonne de gauche correspond au niveau B1 du facteur B et celle de droite au niveau B2. Lorsquon considre le modle complet dun plan 22 avec interaction, on crit :

= y + [ -EA +EA ][A] + [ -EB +EB ][B] + Y

EAB EAB

EAB AB EAB

21

Exemple dutilisation.
Considrons lquation numrique de prvision suivante :

= 58,9 + [ +25,0 -25,0][A] + [ -13,6 +13,6 ][B] + Y

8.2

8.2

8.2 AB 8.2

Quand A est au niveau A2 et B au niveau B1, la valeur de la rponse prdite est gale :

= 58,9 25,0 13.6 8,2 = 12,1. Y


Ce type matriciel dquation de modlisation est gnralisable des plans factoriels contenant plus de 2 facteurs qualitatifs. On ny fait gnralement figurer que les effets principaux et interactions dordre 2 significatifs. Notons quil peut aussi sappliquer aux facteurs quantitatifs quand lutilisateur nest intress que par les rponses prdites aux points expriments.

Application : recherche des modalits des facteurs conduisant une rponse optimale.
cf exercice n5 ( question 7b ).

Il peut arriver davoir choisir, parmi les traitements dun plan 2n, celui qui conduit une rponse optimale, un minimum ou un maximum selon le cas. Ce problme se produit frquemment avec des facteurs qualitatifs : quelle est la meilleure machine ? quelle est la meilleure mthode ? etc. Une faon trs pragmatique consiste examiner les rponses mesures, ce qui permet de reprer immdiatement lessai ayant donn la meilleure rponse. Cette manire de procder pour trouver la configuration optimale des facteurs nest que trs approximative par suite de limprcision entachant les rponses individuelles mesures. Une faon de procder plus rationnelle consiste dterminer les effets significatifs du plan ; tablir une modlisation en reprsentation qualitative et rechercher grce celle-ci les modalits des facteurs qui rendent la rponse prdite optimale.

Conclusion sur les plans 2n.


Les plans factoriels complets 2 prsentent de nombreux avantages : ils sont efficaces, leur analyse et interprtation sont simples et sres. Ces plans ont, de plus, des vertus pdagogiques dans la mesure o ils permettent de considrer une autre stratgie exprimentale que un seul facteur variable tudi la fois . Ils ne constituent pourtant pas la panace des plans dexpriences : Ils conduisent vite des exprimentations onreuses et trs consommatrices de temps quand le nombre de facteurs augmente. Ils sont en dfaut lorsque certains traitements du plan ne sont pas physiquement (ou chimiquement) ralisables : des incompatibilits peuvent se manifester entre niveaux de facteurs. Un exemple : lors de ltude dune proprit dun compos en solution, il est clair que si tel niveau de pH combin avec telle temprature provoque la prcipitation du compos, le traitement ne pourra pas tre expriment et le plan factoriel ne pourra pas tre complet. Deux niveaux par facteur (une mesure dconomie) peuvent se rvler insuffisants dans certaines tudes : on peut avoir comparer 3 mthodes danalyses, il faut plus de 2 concentrations pour bien estimer une courbe dtalonnage etc.
n

22

ANNEXE : CRITERE GRAPHIQUE DE NORMALITE


DUNE DISTRIBUTION.APPLICATION A LA DETECTION DES EFFETS SIGNIFICATIFS DUN PLAN FACTORIEL.

Introduction
Les tests statistiques paramtriques supposent la normalit des distributions de donnes comparer. Une tude pralable de cette normalit, utile pour valider les conclusions des tests nest pourtant pas systmatiquement effectue, dune part parce que la plupart des tests statistiques sont robustes vis vis des carts la normalit et, dautre part parce que les mthodes classiques dtude de la normalit ncessitent de nombreuses donnes, au moins 50 valeurs. Pour des effectifs N suprieurs 50, rappelons quil faut dabord regrouper les donnes individuelles en classes de valeurs, construire ensuite l'histogramme des frquences relatives quil est intressant de superposer avec la loi de probabilit normale de mme moyenne et cart type que ceux de la srie de valeurs pour visualiser si lajustement est convenable ou pas. On peut aussi, sur c es donnes groupes en classes, effectuer des tests statistiques d'ajustement la loi normale, le plus connu tant le test du (il en existe d'autres, par exemple celui de Kolmogorov). Ces mthodes, bien que classiques, ne sont pas totalement satisfaisantes. Lhistogramme et les tests de normalit sont en effet calculs partir des effectifs des classes et ainsi dpendent du dcoupage de lchelle de la variable en classes, dfini empiriquement par l'utilisateur. Ce choix arbitraire a peu dimportance pour de grandes sries (effectif suprieur 100) mais il joue un rle d'autant plus grand que l'effectif total de la srie est plus petit et il est d'ailleurs fortement conseiller de ne pas faire de groupements en classes pour des sries de moins de 50 valeurs (la forme de l'histogramme peut varier notablement selon le dcoupage et les tests ne sont plus trs fiables).

Il a t dvelopp des mthodes d'apprciation de la normalit d'une distribution, fondes sur les valeurs individuelles, ne ncessitant pas de regroupements. Parmi ces mthodes, il en est une, graphique, portant le nom de graphe de probabilit normale qui apparat intressante lors de l'analyse exploratoire des donnes pour dtecter dans celles ci des carts importants la normalit ou une ventuelle prsence de valeurs aberrantes. Elle peut tre utilise pour dceler les effets significatifs dun plan factoriel.

23

1- PRINCIPE DE LA REPRESENTATION.
Soit une srie comportant N donnes numriques x1, x2, ...., xi, ......, xN. Dsignons par m et la moyenne et lcart type de ces N donnes. A chaque donne xi, on peut faire correspondre sa valeur centre rduite zi par :

pente : 1/

zi

xi

m
0

est une fonction linaire de x, comme le montre le schma de droite. (ordonne lorigine = m et pente = 1/ ). Cette relation, vrifie quelle que soit la distribution de

x,

ne prsente dintrt que sil est de la srie de donnes.

possible dvaluer z autrement qu partir de la moyenne m et de lcart type

Remarquons alors que si les valeurs de x sont distribues normalement, z suit la loi normale centre rduite (de moyenne 0 et dcart type 1). La table de la fonction de rpartition de cette loi tablit la correspondance numrique entre une donne connue xi et la probabilit pour quune valeur (ou z) soit infrieure xi (ou zi), puisquune proprit des lois normales scrit :

Prob (z < zi) = Prob (x < xi)


Lestimation de la probabilit de la loi normale par son quivalent exprimental la frquence relative cumule jusqu' la valeur xi, permet ainsi dobtenir une valeur zi , indpendante de la dfinition prcdente. Le report des valeurs de zi estimes pour les valeurs mesures xi sur un graphe avec des chelles arithmtiques, ne doit conduire des points aligns que si les valeurs de xi sont distribues normalement. C'est donc l'apprciation de l'alignement des points sur cette reprsentation qui permet de juger de lcart la normalit de la distribution observe des valeurs de x.

2 - CALCULS A EFFECTUER : FREQUENCES RELATIVES CUMULEES PUIS Z.


La frquence relative cumule correspondant chaque valeur xi de la srie se calcule de la faon suivante :

Ranger les donnes xi par valeurs croissantes ; noter 1 pour la plus petite, 2 pour la deuxime, ...., et N pour la plus grande. Ces nombres sont appels les rangs (1, 2, ..., ri, ....N). Quand 2 donnes sont gales, ces 2 valeurs doivent avoir le mme rang et il faut donc prendre la moyenne arithmtique des 2 rangs. Un rang commun est calcul de faon similaire (moyenne arithmtique des rangs) quand plus de 2 donnes sont gales.

24 La frquence relative cumule jusqu' la valeur xi, laquelle correspond le rang ri, note FRCi, sobtient par une formule que nous admettrons :

FRCi

ri N

8 1 4

La table de la loi normale permet enfin de dterminer la valeur zi correspondant FRCi.. Au total, les N valeurs x de la srie conduisent N couples de points (xi , zi) qui devront tre sensiblement aligns (se rpartir de faon alatoire autour dune droite) si la dist ribution est normale. En pratique, la condition que ltude porte sur plus dune dizaine de donnes, il est possible davoir une assez bonne ide dcarts importants la normalit de la distribution et esprer dtecter : une distribution trs diffrente de la loi normale (courbure manifeste des points). des valeurs isoles appeles aberrantes dans le vocabulaire statistique ; elles correspondent quelques donnes individuelles suffisamment loignes des autres pour tre incompatibles avec ces dernires. Elles rsultent souvent dune faute (manipulation ?, transcription ? ...) et doivent dclencher une enqute sur les conditions dobtention de ces rsultats ; elles ne doivent tre cartes de ltude que sil est prouv quil sagit bien dune erreur. Remarquons enfin quune variante de cette mthode graphique dtude de la normalit est frquemment utilise dans le cas de donnes nombreuses (effectif suprieur 50, de prfrence 100), groupes en classes. Elle porte le nom de droite de Henry. Cette reprsentation, trs employe en contrle de qualit, substitue chaque valeur individuelle son centre de classe ; les effectifs des classes permettent dobtenir les estimations des frquences relatives cumules, ce qui diffrencie les 2 mthodes. Pour le reste, les reprsentations sont analogues.

3- DES EXEMPLES DE GRAPHES DE PROBABILITE NORMALE.


Exemple 1.
Soit la srie des 15 valeurs de x suivantes dj ranges en ordre croissant ; on souhaite savoir si lcart la normalit est important ou pas .... Le tableau des calculs effectuer est figur ci dessous :

x
16.8 17.3 17.7 17.9 18.4 18.8 18.9 19.1 19.5 19.9 20.2 20.4 20.9 21.0 21.7

rang r
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

FRC 0.041 0.107 0.172 0.238 0.303 0.369 0.434 0.500 0.566 0.631 0.697 0.762 0.828 0.893 0.959

z normale -1.739 -1.245 -0.946 -0.714 -0.515 -0.335 -0.165 0.000 0.165 0.335 0.515 0.714 0.946 1.245 1.739

graphe de probabilit normale


2

-1

-2 15 20

25

25 Lexamen visuel du graphe montre que les 15 points (zi , xi) sont rpartis alatoirement autour de la droite de rgression sans sen carter notablement ; il est possible de considrer que ces 15 valeurs constituent un chantillon dune population distribue normalement. Il nen serait pas de mme si la dernire donne avait comme valeur 24,7 au lieu de 21,7 , les 14 autres donnes restant inchanges. Le graphe de gauche montre la discordance entre les 15 points et sa droite de rgression calcule avec les 15 valeurs, alors qu droite le calcul de la rgression na t effectu quavec les 14 premires valeurs.

z
0

z
0

-1

-1

-2 15 20

-2

25

15

20

25

Ces 2 graphes ont pour but de montrer quun point aberrant est capable de modifier trs nettement la reprsentation : gauche, on voit quil pse suffisamment dans lquation de la droite de rgression pour que les 14 points inchangs ne se rpartissent plus de faon alatoire autour de cette droite. On voit mieux la singularit du 15me point sur la reprsentation de droite, dont les 14 premiers points se rpartissent de faon alatoire autour de la droite de rgression, calcule en ne tenant compte que deux seuls : le point aberrant sloigne de la droite, ce qui facilite sa mise en vidence.

Exemple 2.
Considrons maintenant la srie des 15 donnes suivantes dj ordonnes en ordre croissant. Les mmes calculs et reprsentation que prcdemment sont figurs ci dessous :

x
16.8 17.3 17.7 18.9 19.4 21.8 23.9 25.1 29.5 31.9 34.2 37.4 43.9 51.0 59.7

rang r
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

FRC 0.041 0.107 0.172 0.238 0.303 0.369 0.434 0.500 0.566 0.631 0.697 0.762 0.828 0.893 0.959

z normale -1.739 -1.245 -0.946 -0.714 -0.515 -0.335 -0.165 0.000 0.165 0.335 0.515 0.714 0.946 1.245 1.739

graphe de probabilit normale


2

-1

-2 15 25 35 45 55 65

26

Un simple coup dil sur la disposition des points suffit pour constater quil ny a pas linarit : il est inutile dessayer dajuster une droite des moindres carrs. La distribution nest manifestement pas normale.
70

60

50

40

30 moyenne 20

A gauche nous avons report sur un axe gradu les 15 valeurs individuelles, montrant que la distribution est trs nettement dissymtrique par rapport la moyenne des 15 valeurs. Comme une des proprits essentielles dune loi normale est la symtrie autour de la moyenne, les donnes ne peuvent videmment pas tre distribues normalement, ce que rvle aussi le graphe de probabilit normale.

10

27

4 - APPLICATION A LA DETECTION DES EFFETS SIGNIFICATIFS DUN PLAN FACTORIEL.


Les effets calculs partir dun plan factoriel constituent une srie de donnes ; nous dsirons, au moyen du graphe de probabilit normale, diffrencier ceux qui sont significatifs de ceux qui ne le sont pas. les effets inactifs dans le plan factoriel sont supposs tre distribus normalement avec comme moyenne 0 et comme cart type E . Ils doivent donc conduire des points sensiblement aligns dans le graphe de probabilit normale ; on pourra grce eux tracer une droite de rgression. les effets significatifs ne seront pas situs sur cette droite ou mme aux alentours de cette droite puisquils ont un effet non nul ; ils se comporteront comme des valeurs aberrantes dans la srie des effets, ce qui doit permettre de les identifier. A titre dexemple, considrons les 31 effets du plan factoriel 2 de lexercice 5 dont les valeurs tries par ordre croissant sont donnes ci dessous avec les calculs ncessaires pour effectuer le graphe de probabilit normale.
dsignation DF F BCF ABF BD BCD BF ABCD B C ACF ABCDF CF ACDF ADF ABCF ABD ACD AF CDF CD AC BC BCDF BDF ABDF AB ABC D AD A effet -5.125 -3.500 -1.500 -1.188 -1.063 -0.500 -0.438 -0.375 -0.313 -0.063 -0.063 0.000 0.063 0.063 0.250 0.250 0.313 0.313 0.375 0.438 0.563 0.688 0.750 0.750 0.813 0.813 1.063 1.125 5.125 6.125 10.250 rang 1 2 3 4 5 6 7 8 9 10.5 10.5 12 13.5 13.5 15.5 15.5 17.5 17.5 19 20 21 22 23.5 23.5 25.5 25.5 27 28 29 30 31 FRC 0.020 0.052 0.084 0.116 0.148 0.180 0.212 0.244 0.276 0.324 0.324 0.372 0.420 0.420 0.484 0.484 0.548 0.548 0.596 0.628 0.660 0.692 0.740 0.740 0.804 0.804 0.852 0.884 0.916 0.948 0.980 Z normale -2.054 -1.626 -1.379 -1.195 -1.045 -0.915 -0.800 -0.693 -0.595 -0.457 -0.457 -0.327 -0.202 -0.202 -0.040 -0.040 0.121 0.121 0.243 0.327 0.412 0.502 0.643 0.643 0.856 0.856 1.045 1.195 1.379 1.626 2.054 droite -1.762 -1.254 -0.630 -0.532 -0.493 -0.317 -0.298 -0.278 -0.259 -0.181 -0.181 -0.161 -0.142 -0.142 -0.083 -0.083 -0.064 -0.064 -0.044 -0.025 0.014 0.053 0.073 0.073 0.092 0.092 0.171 0.190 1.439 1.751 3.040
5

28 Le graphe de probabilit normale avec les 31 points et la droite de rgression calcule partir de tous les effets (ordonne lorigine = -0,161 et pente = 0,312) prsente lallure suivante :

graphe de probabilit normale


4

z normale

-2

-4 -6 -4 -2 0 2 4 6 8 10 12

effet x

Il apparat nettement que 5 points, 3 droite et 2 gauche, influencent fortement la position de la droite de rgression. En recalculant celle ci avec les 26 points restants (ordonne lorigine gale 0,177 et pente gale 1,030), on obtient alors le graphe suivant :

graphe de probabilit normale


4

z normale

-2

-4 -6 -4 -2 0 2 4 6 8 10 12

effet x
Lensemble des 26 points se rpartit convenablement autour de la droite et on peut conclure que 5 effets sont significatifs : les 3 facteurs A, D et F et les 2 interactions de 2me ordre AD et DF.

29

EXERCICES SUR LES PLANS FACTORIELS COMPLETS

Exercice 1
On tudie l'influence de la temprature et de la concentration C d'un ractif sur le rendement y (en %) d'une raction chimique. Il a t dcid d'exprimenter la temprature entre 60C et 80C et la concentration entre 10g.L -1 et 15g.L-1 en se limitant 2 niveaux par facteur.

re

question

Dans une exprience factorielle 22, quelles sont les conditions exprimentales raliser ? Quel nombre d'essais faut-il effectuer sachant qu'on n'a pas prvu de rptitions ?

2
* *

me

question

La temprature est appele facteur A et la concentration facteur B. En utilisant le concept de facteurs centrs rduits o se situe le centre du domaine exprimental ? o se situe le point (xA = + 0,5 ; xB = - 0,6)

me

question
essai n Temprature (C) Concentration (g.L-1) rendement (%) 1 60 10 60 2 80 10 70 3 60 15 80 4 80 15 90

Construire (avec EXCEL) la matrice d'expriences. Tableau de rsultats :

me

question : matrice des effets.

Construire (avec EXCEL) la matrice des effets et calculer tous les effets d'un tel plan ( y c , E , Econc, E
. conc).

Exercice 2
On effectue la mme tude que celle de l'exercice 1 ralise cette fois en prsence d'un catalyseur ; les autres conditions exprimentales sont inchanges. Tableau de rsultats : essai n rendement (%) 1 60 2 70 3 80 4 95

question : calcul des effets. Construire (avec EXCEL) la matrice des effets et calculer tous les effets.

re

30

me

question : signification des effets.


-1

A une temprature de 70C et une concentration de 12,5 g.L (centre du domaine), il a t dcid d'effectuer 6 essais complmentaires. Les 6 rendements obtenus sont les suivants (en %) : 77,3 - 79,1 - 77,8 - 77,0 - 77,7 - 79,1 * * * - quelle estimation faites-vous de l'cart type des rponses individuelles ? - quelle est l'estimation de l'erreur type d'un effet ? - quels effets sont significatifs au risque de 5 % (utiliser un test t).

3me question
Un autre exprimentateur, qui on avait demand la mme tude, dcide deffectuer les 4 essais suivants essai n 1 Temprature (C) 60 Concentration (g.L-1) 12,5 rendement mesur (%) 71 * * * 2 80 12,5 83,5 3 70 10 66 4 70 15 88,5

- sagit-il des conditions dun plan factoriel ? - calculer les effets principaux des facteurs et comparer avec les rsultats de la 1 re question - que peut-on dire concernant linteraction ?

4me question : test du modle.


Compte tenu des rsultats de la 2me question, crire lquation numrique du modle linaire associ au plan factoriel. La moyenne des rponses mesures des 6 rptitions diffre telle significativement (risque 0,05) d e la valeur prdite au centre du domaine, gale la moyenne des rponses des 4 essais du plan. Que peut-on en conclure ?
NB : utiliser le test de Student de comparaison des moyennes de 2 sries indpendantes, deffectifs 6 et 4.

Exercice 3
Dans une solution habituellement fabrique 30C sous agitation (200 tours/min) un lger trouble apparat. L'exprimentateur dsire en connatre la (les) cause(s) et pense que 3 facteurs peuvent jouer : - la temprature - la vitesse d'agitation - la concentration d'un additif habituellement prsent 0,30 % (p/v) Le trouble se mesure par un indice d'opacit traduisant l'impression visuelle que donne l'intensit du louche , indice dautant plus grand que la solution est trouble. 3 Il est dcid d'organiser une exprience factorielle 2 : facteurs A = temprature B = vitesse agitation C = concentration additif niveaux 20C 100 t/min 0,1 % 40C 300 t/min 0,5 %

re

question

Combien y-a-t-il de conditions exprimentales et d'essais effectuer sachant qu'on ne fera pas de rptitions ?

question : calcul des effets. Construire (avec EXCEL) la matrice des effets et calculer tous les effets d'un tel plan sachant que les mesures d'opacit ont donn les rsultats suivants :
essai n indice d'opacit 1 0 2 4,7 3 0 4 11,5 5 9 6 14,5 7 5,1 8 18,7

me

31

question : signification des effets. L'exprimentateur avait constat depuis longtemps la prsence de ce trouble lors des prparations successives dans les conditions habituelles (30C, agitation 200 t/min., additif 0,3 %). A chaque prparation, il mesurait l'opacit pour s'assurer qu'elle ne dpassait pas une limite fixe. En tudiant la distribution de 50 mesures d'opacit dans ces conditions, il trouve que les valeurs individuelles semblent se rpartir suivant une loi normale - de moyenne 7,85 - d'cart-type 2,45
* - calculer l'erreur type E sur un effet de l'exprience factorielle. * - quels effets peuvent tre considrs comme significatifs au risque de 5 % (utiliser la loi normale) ?

me

Exercice 4
Lors de l'tude de l'optimisation des conditions exprimentales d'une raction de prcipitation, on a retenu comme facteurs tudier susceptibles d'agir sur la masse de prcipit pese dans des conditions identiques : facteurs A = temprature de la raction B = concentration d'un ractif C = temps de contact D = dbit de lavage du prcipit niveaux 0 1 60C 70C -1 -1 1 g.L 2 g.L 30 min. 45 min. 1 L.min-1 0,5 L.min-1

Il est dcid d'effectuer une exprience factorielle complte sans rptition. Les rsultats sont les suivants : conditions exprimentales A0B0C0D0 A1B0C0D0 A0B1C0D0 A1B1C0D0 A0B0C1D0 A1B0C1D0 A0B1C1D0 A1B1C1D0 Masse prcipit 60,6 61,0 60,3 61,7 62,0 61,5 61,7 62,4 conditions exprimentales A0B0C0D1 A1B0C0D1 A0B1C0D1 A1B1C0D1 A0B0C1D1 A1B0C1D1 A0B1C1D1 A1B1C1D1 Masse prcipit 59,6 61,1 60,7 61,3 61,6 61,9 62,3 62,8

question : calcul des effets. Construire (avec EXCEL) la matrice des effets et calculer la valeur de ces effets. Faire un graphique (histogramme) reprsentant la grandeur des effets pour les diverses conditions.
me

re

question : plan comportant des rptitions. Ayant constat que le dbit de lavage du prcipit n'a visiblement pas d'effet sur le poids de prcipit, on 3 est ainsi ramen un plan 2 (A, B, C) comportant 2 rptitions. * - calculer la moyenne de rponse des "duplicates" pour chaque condition exprimentale. 3 * - calculer les effets de ce plan 2 dupliqu (vrifier que les valeurs obtenues sont identiques re celles de la 1 question).

32
me

question : signification des effets.


me

* - en se servant du tableau des rponses individuelles de la 2 question, calculer les sommes des carrs des carts la moyenne (SCE) pour chacun des 8 groupes puis la variance sy d'une rponse du plan factoriel et enfin l'cart type sy. * - en dduire l'erreur type sE d'un effet du plan factoriel. * - quels sont les effets significatifs au risque de 5 % (on utilisera la loi de Student 8 d.d.l.).
me

question : signification des effets, autre mthode. Pour estimer l'erreur type sE des effets, il a t dcid d'utiliser les 5 interactions d'ordre 3 et 4 de 4 l'exprience factorielle 2 (donc sans utiliser l'information que l'effet de D est nul). * - calculer (avec EXCEL) l'estimation sE partir de ces 5 effets. * - en dduire les effets significatifs (on utilisera la loi de Student 5 d.d.l.). 5me question :
Excel contient un programme de rgression linaire dans le menu outils / utilitaire danalyse. En utilisant les colonnes de la matrice des effets, effectuer la rgression linaire multiple en prenant comme variable y la colonne des rponses et comme variables explicatives (xn) : - les 15 colonnes deffets. - les 10 colonnes correspondant aux 4 facteurs et aux 6 interactions dordre 2 (comme la 4 me question). Vrifier que la rgr ession linaire multiple permet de retrouver lensemble des rsultats dj obtenus.
NB : lors de la slection des colonnes, on inclura lintitul de ces colonnes (A, B, , AB, ) et on cochera la case intitul prsent pour que le rapport dit par Excel soit plus lisible. Dans les options de sortie, on cochera la case insrer une nouvelle feuille . Ignorer les les options analyse des rsidus et probabilit normale .

Exercice 5
Pour dterminer les meilleures conditions exprimentales de mesure d e lactivit de la phosphatase alcaline du srum au moyen dun auto-analyseur , on a dabord recherch les facteurs influenant la rponse mesure y, celle ci tant transforme en activit de la phosphatase par un talonnage. Il a t dcid lors de ltablissement du plan exprimental dtudier les 5 facteurs suivants, chacun 2 niveaux : facteur A B C D F nom du facteur sulfate de Zinc sulfate de Magnsium pH p nitrophnyl phosphate disodique 2 amino 2 mthyl 1 propanol unit mol.L-1 mol.L-1 mmol.L-1 mol.L-1 niveau bas (-) 40 1,50 10,0 10 0,20 niveau haut (+) 80 2,50 10,7 20 0,60

33 Les 32 essais dfinissant le plan factoriel complet ont t effectus sur lauto-analyseur dans un ordre tir au sort et ont conduit au tableau de rsultats suivant :

n essai 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

A + + + + + + + +

B + + + + + + + +

C + + + + + + + +

D + + + + + + + +

F -

Rponse y 109 113 103 113 103 104 106 123 119 146 111 143 116 145 110 148

n essai 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32

A + + + + + + + +

B + + + + + + + +

C + + + + + + + +

D + + + + + + + +

F + + + + + + + + + + + + + + + +

Rponse y 106 120 113 115 109 117 105 115 96 128 95 127 99 131 92 132

1re question
Pourquoi a ton tir au sort lordre dexcution des essais et comment sappelle cette opration ?

2me question
Combien deffets peut on calculer avec les rsultats de cette exprimentation ? combien deffets principaux ? combien dinteractions dordre 2 ? combien dinteractions dordres suprieurs ? (prciser le nombre dinteractions de 3me ordre, de 4me ordre et de 5me ordre).

3me question
Utiliser la matrice des effets fournie pour calculer les valeurs de tous les effets ainsi que la moyenne gnrale des rponses.

4me question
a)- Sachant quon ne dispose daucun renseignement sur la prcision de la mesure des rponses, quels effe ts sont, votre avis, significatifs ?

b)- Utiliser une reprsentation graphique pour estimer les effets significatifs (variante de la mthode de Henry dite graphique de probabilit normale)

5me question
Ecrire lquation numrique du modle linaire de prdiction des rponses. quelle rponse peut on prdire au centre du domaine exprimental ? quelle rponse peut on prdire pour la condition exprimentale suivante : nom du facteur sulfate de Zinc sulfate de Magnsium pH p nitrophnyl phosphate disodique 2 amino 2 mthyl 1 propanol niveau 70 mol.L-1 1,75 mol.L-1 10,0 20 mmol.L-1 0,40 mol.L-1

34

6me question
Calculer les 32 rponses prdites par le modle et les 32 rsidus (par diffrence avec les rponses mesures). Construire le graphe de probabilit normale des rsidus ; dtecte ton une non normalit ou une rponse mesure suspecte invalidant les calculs deffets ?

7me question
a)- Ecrire lquation de modlisation en reprsentation qualitative. b)- Quel est, parmi les traitements expriments, celui qui permet de prdire la rponse la plus leve (prciser le niveau de chacun des facteurs) ? Quelle est la valeur estime de cette rponse maximale ?

Vous aimerez peut-être aussi