Vous êtes sur la page 1sur 44
Expériences factorielles complètes The Effect of Moisture and Crimp on Dyeability Moisture 1 180 2
Expériences factorielles
complètes
The Effect of Moisture and Crimp on Dyeability
Moisture
1
180
2
1
2
170
160
11
22
Crimp
Jan-16
Fethi Derbeli
1
Mean
Le but des expériences factorielles • Comprendre les avantages des expériences factorielles par rapport à
Le but des expériences factorielles
• Comprendre les avantages des expériences factorielles par rapport à
celles d’un facteur à la fois.
• Déterminer comment on analyse les expériences factorielles
générales.
• Comprendre le concept de l’interaction statistique.
• Analyser les expériences à deux et trois facteurs.
• Utiliser les techniques de diagnostic pour évaluer »l’adéquation » (les
valeurs résiduelles) du modèle statistique.
• Identifier les facteurs critiques c’est-à-dire les plus importants dans les
expériences.
• Les expériences factorielles complètes sont souvent utilisées pour
optimiser un processus.
Jan-16
Fethi Derbeli
2
OFAT et l’interaction Supposons que nous réalisions une étude OFAT (un facteur à la fois)
OFAT et l’interaction
Supposons que nous réalisions une étude OFAT (un facteur à la fois)
comme indiqué ci-dessous.
Pression 1
Pression 2
Température 1
20
40
Premier
passage en
machine
Température 2
50
12
Deuxième
passage
• Si nous gardions la température constante au niveau 1 et si nous varions
la pression, nous conclurions que la pression au niveau 2 est la meilleure.
• Puis, tout en maintenant la pression constante au niveau 2, nous varions
la température et constatons que la température 1 est la meilleure.
• Bien que nous ayons apporté des améliorations, nous aurions raté le point
optimal.
Jan-16
Fethi Derbeli
3
Les expériences factorielles - avantages • Plus efficaces que les expériences OFAT (un facteur à
Les expériences factorielles - avantages
• Plus efficaces que les expériences OFAT (un facteur à la
fois).
• Permettent d’examiner les effets combinés de plusieurs
facteurs (interactions).
• Couvrent un domaine expérimental plus vaste que les études
OFAT.
• Identifient les facteurs critiques.
• Plus efficaces pour estimer les effets à la fois des données
de départ et des variables parasites sur les valeurs d’arrivée.
Jan-16
Fethi Derbeli
4
Efficacité du modèle factoriel Efficacité relative des factorielles par rapport aux expériences OFAT Relative
Efficacité du modèle factoriel
Efficacité relative des factorielles par rapport aux expériences OFAT
Relative Efficiency of Factorials Compared to OFAT
3.5
3.0
2.5
2.0
1.5
2
3
4
5
6
Number of Factors
Nombre de facteurs
Jan-16
Fethi Derbeli
5
Efficacité relative
RelativeEfficiency
Expériences à deux facteurs - les effets principaux Dans une expérience factorielle, l’effet principal d’un
Expériences à deux facteurs - les effets principaux
Dans une expérience factorielle, l’effet principal d’un facteur est défini comme le
changement moyen de la variable d’arrivée produit lorsque les niveaux du facteur
changent. Considérons les informations ci-dessous où nous avons deux facteurs, la
température et la pression.
Pression 1 Pression 2
Température 1
Température 2
Pour déterminer l’effet principal pour la température, nous calculons le rendement moyen à
chaque niveau de température et soustrayons le faible niveau du niveau élevé, comme ci-
dessous:
40
+
52
20
+
30
Temp =
-
=
21
2
2
A mesure que la température augmente du niveau 1 jusqu ’au niveau 2, le rendement
augmente de 21 points. Nous déclarons donc que l’effet principal de la température est de 21
points.
Jan-16
Fethi Derbeli
6
Expériences à deux facteurs - les effets principaux De même, pour déterminer l’effet principal pour
Expériences à deux facteurs - les effets principaux
De même, pour déterminer l’effet principal pour la pression:
Pression 1 Pression 2
Température 1
20
30
Température 2
40
52
Nous effectuons le calcul suivant:
30
+
52
20
+
40
Pression
=
-
= 11
2
2
Lorsque la pression augmente du niveau 1 au niveau 2, le rendement
augmente de 11 points. Par conséquent l’effet principal de la
pression est de 11 points.
Jan-16
Fethi Derbeli
7
Expériences à deux facteurs - les effets d’interaction Dans certaines expériences, nous constatons que l’effet
Expériences à deux facteurs - les effets d’interaction
Dans certaines expériences, nous constatons que l’effet entre les niveaux
d’un facteur n’est pas le même pour divers niveaux d’autres facteurs.
Pression 1 Pression 2
Considérons les
données initiales:
Température 1
Température 2
20
40
50
12
Au premier niveau de pression, l’effet pour la température est:
Température = 50 - 20 = 30
et au deuxième niveau de pression, l’effet pour la température est :
Température = 12-40 = -28
Etant donné que l’effet de la température sur le rendement dépend du niveau de la
pression, nous disons qu’il y a une interaction entre la température et la pression.
Jan-16
Fethi Derbeli
8
Exercice - Evaluer l’effet de l’interaction • Objectif: entrer de simples données factorielles, indiquées
Exercice - Evaluer l’effet de l’interaction
• Objectif: entrer de simples données factorielles, indiquées ci-dessous
dans Minitab et utiliser la fonction ANOVA>Interactions Plot pour
apprendre à lire les Graphiques d’Interaction.
• Marche à suivre:
– Entrez les deux ensembles de données dans un fichier Minitab
(conseil: vous ne devez entrer le modèle expérimental (matrix)
qu’une seule fois. Vous pouvez montrer les réponses pour chaque
expérience dans deux colonnes).
– Choisir ANOVA>Interactions Plot puis remplir la case de dialogue
Temp Pression
Rendt1
Rendt2
1
1
20
20
1
2
30
40
2
1
40
50
2
2
52
12
Jan-16
Fethi Derbeli
9
Analyser les graphiques d’interaction Factorial with Interaction Factorial without Interaction Factorielle avec
Analyser les graphiques d’interaction
Factorial with Interaction
Factorial without Interaction
Factorielle avec interaction
Factorielle sans interaction
Temp
Temp
1
1
50
2
50
2
1
1
2
2
40
40
30
30
20
20
11
22
11
22
Pressure
Pressure
Pression
Pression
Pas d’interaction:
Interaction:
Au fur et à mesure que nous passons de la
pression 1 à la pression 2 à une
température constante de soit 1 soit 2, nous
observons le même effet, le rendement
augmente dans les deux cas. Toutefois, le
rendement est plus élevé pour la Temp. 2
Au fur et à mesure que nous passons de la
pression 1 à la pression 2 à une température
constante de soit 1 soit 2, nous observons un effet
opposé, le rendement va dans des directions
différentes aux deux niveaux de température.
Etant donné que nous désirons un rendement
plus élevé, nous devons déterminer quelles sont
les meilleures conditions.
Jan-16
Fethi Derbeli
10
Moyenne
Mean
Moyenne
Mean
Utilisation Minitab • Stat>ANOVA>Balanced ANOVA – Additive, factorielle complète ou autre modèle
Utilisation Minitab
• Stat>ANOVA>Balanced ANOVA
– Additive, factorielle complète ou autre modèle spécifié,
conception équilibrée uniquement
– Modèles mixtes (facteurs fixes et aléatoires) permis
• Stat>ANOVA>GLM
– ANOVA plus non équilibrée ou imbriquée
– La commande ANOVA la plus puissante - nécessite un
plus long traitement informatique
Jan-16
Fethi Derbeli
11
Exemple Deux facteurs à trois niveaux Objectif: Arrivée: Facteur: déterminer les réglages optimaux de température
Exemple Deux facteurs à trois niveaux
Objectif:
Arrivée:
Facteur:
déterminer les réglages optimaux de température et pression pour
obtenir le % du rendement maximum.
%rendement
Niveaux des facteurs
Température
Basse
Moyenne
Elevée
Pression
200
215
230
Données:
Pression 1
Pression 2
Pression 3
200
215
230
90.4
90.7
90.2
Basse
90.2
90.6
90.4
90.1
90.5
89.9
Moyenne
90.3
90.6
90.1
L ’expérience
illustrée ci-contre
est factorielle
complète 3 x 3
reproduite deux
fois.
90.5
90.8
90.4
Elevée
90.7
90.9
90.1
Jan-16
Fethi Derbeli
12
Température
Exemple Deux facteurs à trois niveaux • Nous voulons répondre aux questions suivantes: – Quels
Exemple Deux facteurs à trois niveaux
Nous voulons répondre aux questions suivantes:
– Quels effets la température et la pression ont-elles sur le rendement ?
– Les réglages optima dépendront-ils d’une combinaison particulière de
facteurs (interaction)?
Modèle statistique:
Vérifications d’hypothèse:
y
=
m
+
t
+
b
+
(
tb
)
+
e
Ho
:
t
=
t
=
=
t
ijk
i
j
ij
ijk
1
2
a
Ha
: au moins un
t
0
i
m = Moyenne globale
t
= l’effet du niveau
i
du facteur
t
Ho
:
b
=
b
=
=
b
i
1
2
b
b
= l’effet du niveau jth du facteur
b
Ha
: au moins un
b
j
0
j
(
tb
)
=
l’effet de l’interaction
t i et
b
ij
j
e
= composante d’erreur aléatoire
(
)
Ho
:
tb
=
ijk
0 pour tous
j i,
ij
(
tb
)
Ha
: au moins
0
ij
Jan-16
Fethi Derbeli
13
Exemple de factorielle complète (suite) Temp Pression Rendement Nota: Il y a une colonne par
Exemple de factorielle complète (suite)
Temp
Pression Rendement
Nota: Il y a une colonne par donnée de
départ (facteur) et une colonne par donnée
d’arrivée (réponse). Ceci s’appelle une
conception équilibrée car dans les
facteurs, chaque niveau de facteur
contient le même nombre de traitements.
1
200
90.4
1
200
90.2
1
215
90.7
1
215
90.6
1
230
90.2
1
230
90.4
2
200
90.1
2
200
90.3
2
215
90.5
2
215
90.6
2
230
89.9
2
230
90.1
3
200
90.5
3
200
90.7
3
215
90.8
3
215
90.9
3
230
90.4
3
230
90.1
Jan-16
Fethi Derbeli
14
Représenter les modèles avec Minitab Entrer le modèle dans Minitab Il y a deux moyens
Représenter les modèles avec Minitab
Entrer le modèle dans Minitab
Il y a deux moyens d’entrer le modèle dans Minitab:
1. Pour la première méthode illustrée ci-dessous, il faut cliquer sur
Stat > ANOVA > Balanced ANOVA et entrer les informations.
2. Pour la seconde méthode, cliquez sur Stat > DOE > Define
Custom Factorial Design
– Vous devez ensuite identifier les facteurs
– Puis cliquez sur General Full Factorial Model
– Puis cliquez sur Designs et déterminez si vous possédez les
informations demandées par Minitab.
Jan-16
Fethi Derbeli
15
Exemple Deux facteurs à trois niveaux • Voici la 1 ère méthode qui utilise ANOVA
Exemple Deux facteurs à trois niveaux
• Voici la 1 ère méthode qui utilise ANOVA > Balanced design de
telle sorte que nous pouvons choisir. Dans cet exemple, nous
utilisons le tuyau (Pipe) pour représenter le modèle complet.
Jan-16
Fethi Derbeli
16
Représenter les modèles avec Minitab • Pour représenter tous les effets principaux et les effets
Représenter les modèles avec Minitab
• Pour représenter tous les effets principaux et les effets d’interaction, nous
pouvons utiliser une des deux méthodes suivantes:
– y = Facteur A | Facteur B (Pipe - Insérer un tuyau entre les facteurs dit à
Minitab d’analyser les interactions entre le facteur A et le facteur B. Si
nous avions un troisième facteur C et un tuyau entre les trois, Minitab
analyserait toutes les interactions à 2 directions et les interactions à 3
directions.
– y = Facteur A Facteur B Facteur A*Facteur B (Astérisque - au lieu
d’utiliser un tuyau, on peut placer un astérisque entre les interactions
d’intérêt. L’astérisque nous permet aussi d’examiner des interactions
choisies.
– Pour représenter juste un modèle des effets principaux:
– y = Facteur A Facteur B
Jan-16
Fethi Derbeli
17
Exemple Analyser les résultats Analyser les résultats ANOVA du modèle de factorielle complète • Premièrement
Exemple Analyser les résultats
Analyser les résultats ANOVA du modèle de factorielle complète
• Premièrement - interpréter l’interaction la plus importante. Dans le cas
présent, on examine l’interaction à 2 directions Temp* Pression et la valeur-p
(p>0.05) montre que l’interaction n’est pas très importante, aussi, nous
passons à autre chose.
• Deuxièmement - interpréter les effets principaux. Ici, les deux effets
principaux de la température et de la pression sont importants (p<.05)
Source
df
SS
MS
F
p
Temp*Pression
4
0.06889
0.01722
0.97
0.470
Erreur
9
0.16000
0.01778
Total
17
1.29778
Jan-16
Fethi Derbeli
18
Exemple Analyser les résultats Traitement d’un Modèle Réduit* Etant donné que nous avons identifié un
Exemple Analyser les résultats
Traitement d’un Modèle Réduit*
Etant donné que nous avons identifié un effet qui n’avait pas de signification statistique,
l’interaction Temp*Pression, nous pouvons supposer que cet effet fait partie des
parasites aléatoires de l’expérience. Par conséquent, nous ne voulons pas inclure cet
effet dans le modèle final car il ne contribue pas à la prédiction de notre résultat. Notre
prochaine étape consiste à traiter de nouveau le modèle en excluant cet effet. Les
résultats sont indiqués ci-dessous.
Source
df
SS
MS
F
p
Temp_
2
0.30111
0.15056
8.55
0.004
Press_
2
0.76778
0.38389
21.80
0.000
Erreur
13
0.22889
0.01761
Total
17
1.29778
*Nota: un effet jugé statistiquement insignifiant (p >.05) ne peut pas être enlevé du modèle
si une interaction de plus grande ampleur a un effet sur sa composition. Par exemple, si nous
avons deux facteurs A & B, et les résultats du tableau ANOVA indiquent que le Facteur A et
l’interaction AB sont significatifs lorsque p <.05, et B ne l’est pas (p >.05), nous devons
laisser B dans le modèle, puisqu ’il doit rendre compte de l’interaction AB.
Jan-16
Fethi Derbeli
19
Exemple Analyser les résultats Analyse résiduelle - déterminer la “bonne adéquation” du modèle final Les
Exemple Analyser les résultats
Analyse résiduelle - déterminer la “bonne adéquation” du modèle final
Les valeurs résiduelles sont la différence entre les valeurs observées et
les valeurs prédites ou ajustées (données moins les ajustements). Ceci
fait partie de l’observation/résultat qui n’est pas expliqué par le modèle.
Dans la régression, la valeur résiduelle de l’observation i-th est e i = ( y i -
y i )
Nous nous attendons à ce que si le modèle est bien ajusté (adéquat), les
valeurs résiduelles seront distribuées au hasard.
Pour calculer les ajustements et les valeurs résiduelles pour le modèle
réduit final, cliquer sur Stat>ANOVA>Balanced ANOVA>Storage et
vérifier les cases des ajustements et des valeurs résiduelles.
Pour analyser les résiduelles, cliquer sur Stat>Regression>Residual Plots
L’analyse résiduelle est représentée page suivante.
Jan-16
Fethi Derbeli
20
Exemple Analyser les résultats Comme l’indiquent les graphiques ci-dessous, les valeurs résiduelles sont
Exemple Analyser les résultats
Comme l’indiquent les graphiques ci-dessous, les valeurs
résiduelles sont distribuées de façon aléatoire, le tableau I ne
montre rien d’incontrôlable, et nous ne voyons pas de structure
particulière sur le graphique des résiduelles / adéquation. Donc
le modèle est bien adéquat.
4
3
2
1
0
-0.25-0.20-0.15-0.10-0.050.000.050.100.150.20
Residual
Valeurs résiduelles
Jan-16
Fethi Derbeli
21
Fréquence
Frequency
Exemple Analyser les résultats Calculer e-au carré pour connaître la signification pratique • La valeur
Exemple Analyser les résultats
Calculer e-au carré pour connaître la signification pratique
• La valeur Epsilon-au carré (e-au carré), constitue une indication des
implications pratiques d’un effet principal ou d’une interaction.
• Elle est calculée en divisant chaque somme des carrés par la somme totale des
carrés.
Analyse de la Variance pour le rendement
Source
DF
SS
e-au carré
Temp
2
0.30111
23%
Pression
2
0.76778
59%
Erreur
13
0.22889
18%
Total
17
1.29778
• Quelle est la variable de départ la plus influente dans cette étude ?
• Quelles implications ce résultat a-t-il pour le contrôle de processus?
Jan-16
Fethi Derbeli
22
Exemple Analyse des effets principaux Analyse graphique pour déterminer les réglages optimaux Etant donné que
Exemple Analyse des effets principaux
Analyse graphique pour déterminer les réglages optimaux
Etant donné que les effets principaux sont significatifs, nous
allons utiliser Stat > ANOVA >Main Effects pour examiner la
nature de leurs relations.
Temp_
Press_
90.68
90.56
Pour maximiser le
rendement, les réglages
optimaux sont la
température au niveau 3 et
la pression à 215
90.44
90.32
Avant d’appliquer ces
réglages, les vérifier en
90.20
reproduisant les conditions
optimales. S’ils sont
acceptables, les appliquer.
Jan-16
Fethi Derbeli
23
1
2
Rendement
Yield
3
200
215
230
Exemple Deux facteurs à trois niveaux • Voici la 2ème méthode pour évaluer une CDE
Exemple Deux facteurs à trois niveaux
• Voici la 2ème méthode pour évaluer une CDE pré-construite:
• Stat > DOE > Define Custom Factorial Design
– Entrer les facteurs puis les sélectionner ou cliquer deux fois sur eux.
– Cliquer ensuite sur General Full Factorial
– Cliquer ensuite sur Designs et entrer les informations requises puis cliquer sur
Okay, puis encore Okay.
• Stat > DOE > Analyze Factorial Design
– Entrer la réponse, qui dans le cas présent est Yield (rendement).
– Cliquer ensuite sur Terms et entrer tous les termes de cet exemple puisque nous
voulons évaluer le modèle complet. Vous pouvez aussi entrer le modèle entier
en cliquant sur Include in the model up through order et cliquer sur deux
puisque nous évaluons 2 facteurs. Puis cliquer sur Okay et encore sur Okay.
– Maintenant suivre la même démarche que pour la 1 ère méthode.
Essayons cette 2ème méthode ensemble !
Jan-16
Fethi Derbeli
24
12 étapes: expérience factorielle complète • Etape 1: Enoncer le problème pratique et l’objectif en
12 étapes: expérience factorielle complète
Etape 1: Enoncer le problème pratique et l’objectif en utilisant DOEWorksheet.doc
Etape 2: Enoncer les facteurs et niveaux d’intérêt.
Etape 3: Sélectionner la taille d’échantillon appropriée.
Etape 4: Créer avec Minitab une feuille des données de l’expérience, avec les facteurs
dans leurs colonnes respectives. Randomiser les passages en machine d’expériences
dans la feuille de données.
Stat > DOE > Create Factorial Design
Etape 5: Exécuter l’expérience.
Etape 6: Réaliser le tableau ANOVA pour le modèle entier, utiliser soit:
• Stat > ANOVA > Balanced ANOVA soit
• Stat > DOE > Analyze Factorial Design
Etape 7: Revoir le tableau ANOVA et supprimer les effets qui ont des valeurs-p
supérieures à .05. Traiter le modèle réduit pour inclure ces valeurs-p que l’on juge
significatives.
Etape 8 : Analyser les valeurs résiduelles du modèle réduit pour s’assurer que l’on a un
modèle adéquat. Calculer l’adéquation et les résiduelles.
• Stat > ANOVA > Storage.
Puis créer les graphiques de valeurs résiduelles
• Stat > Regression > Residual Plots
Jan-16
Fethi Derbeli
25
12 étapes expérience factorielle complète • Etape 9: Déterminer les réglages optimaux en analysant graphiquement
12 étapes expérience factorielle complète
• Etape 9: Déterminer les réglages optimaux en analysant graphiquement les interactions
significatives (p-value <.05). Evaluer d’abord la signification la plus importante.
• Pour les interactions à 3 directions, analyser les données. Utiliser soit:
• Stat > ANOVA > Interaction Plot soit
• Stat > DOE > Factorial Plots > Interaction Plot
Une fois que les interactions les plus importantes ont été interprétées, analyser
l’ensemble suivant d’interactions moins importantes.
Examiner les effets principaux (valeur-p <.05) utiliser soit:
• Stat > ANOVA > Main Effects soit
• Stat > DOE > Factorial Plots > Main Effects Plot soit
• Stat > DOE > Factorial Plots > Cube Plots
• Etape 10: Pour des raisons pratiques, calculer les valeurs epsilon au carré
• Etape 11: Reproduire les conditions optimales. Planifier la prochaine expérience ou
mettre en oeuvre le changement.
• Etape 12: Rédiger le rapport final.
Jan-16
Fethi Derbeli
26
Procédure GLM Conceptions non équilibrées Que faire lorsque notre expérience factorielle complète est
Procédure GLM
Conceptions non équilibrées
Que faire lorsque notre expérience factorielle complète est déséquilibrée à
cause de données perdues ou de l’impossibilité d’exécuter toutes les
parties de l’expérience ?
Ceci n’est pas un problème car nous pouvons utiliser le modèle linéaire
général GLM (General Linear Model) pour analyser les résultats.
Stat > ANOVA > General Linear Model
Prenons un exemple
Dans les données que nous venons d’analyser, Mont2fact.mtw, effacer la
dernière rangée de données et analyser les résultats selon la 11ème étape.
Jan-16
Fethi Derbeli
27
Exercice - Deux facteurs avec Interaction Objectif: fournir l’occasion d’analyser une expérience à 2 facteurs
Exercice - Deux facteurs avec Interaction
Objectif: fournir l’occasion d’analyser une expérience à 2 facteurs avec une
interaction significative. Nom du fichier: Montint.mtw
Variable d’arrivée: rendement
Facteurs
Niveau de facteur
Température
Solution catalyseur
Basse
Moy
Elevée
Basse
Moy
Elevée
Données:
Catalyseur
Temp
Temp
Temp
Pourcentage
Basse
Moyenne
Elevée
76
55
52
Faible
82
56
63
64
65
65
87
64
60
81
77
53
Voici un exemple
d ’expérience
factorielle complète
3 x 3 reproduite 4
Moyen
67
74
63
83
71
60
fois
75
73
57
78
86
69
Elevé
72
74
70
85
81
65
83
78
60
Jan-16
Fethi Derbeli
28
Exercice - Deux facteurs avec Interaction Etape 1 - Utiliser DOE Worksheet.doc pour documenter la
Exercice - Deux facteurs avec Interaction
Etape 1 - Utiliser DOE Worksheet.doc
pour documenter la préparation de la
CDE.
Etape 2 - Enoncer les facteurs et les
niveaux de facteurs.
Etape 3 - Sélectionner la taille de
l’échantillon appropriée. Celle-ci a déjà
été déterminée.
Catalyseur
Temp
Rendement
1 1
76
1 1
82
1 1
64
1 1
87
1 2
55
1 2
56
1 2
65
1 2
64
1 3
52
1 3
63
1 3
65
1 3
60
Etape 4 - Créer dans Minitab le modèle
d’expérience factorielle. Ceci est déjà
fait et une portion du tableau est
représentée ci-contre.
Etape 5 - Réaliser l ’expérience.
Jan-16
Fethi Derbeli
29
Exercice - Deux facteurs avec Interaction Etape 6 - Utiliser ANOVA pour créer le modèle.
Exercice - Deux facteurs avec Interaction
Etape 6 - Utiliser ANOVA pour créer le modèle.
Y = m + Cat. + Temp. + Cat. * Temp. + erreur
Source
DF
SS
MS
F
P
Catalyseur
2
529.39
264.69
7.58
0.002
Temp
2
1620.72
810.36
23.20
0.000
Catalyseur*Temp 4
442.44
110.61
3.17
0.029
Erreur
27
943.00
34.93
Total
35
3535.56
Etape 7 - Analyser le tableau ANOVA pour voir les effets
significatifs. Comme indiqué ci-dessus, tous les effets sont
significatifs à une valeur de moins de .05. C’est là le modèle
réduit final.
Jan-16
Fethi Derbeli
30
Exercice - Deux facteurs avec Interaction Zinc Etape 8 - Analyser les valeurs résiduelles du
Exercice - Deux facteurs avec Interaction
Zinc
Etape 8 - Analyser les valeurs résiduelles du modèle réduit pour
être sûr que nous avons un modèle bien adéquat. Celui-ci est
représenté ci-dessous. Les résiduelles semblent distribuées de
façon aléatoire, ce qui veut dire que le modèle est bien adéquat.
9
8
7
6
5
4
3
2
1
0
-10
0
10
R e si d u a l
Résiduelles
Jan-16
Fethi Derbeli
31
Fréquence
Frequency
Exercice - Deux facteurs avec Interaction Etape 9: Déterminer les réglages optimaux en analysant graphiquement
Exercice - Deux facteurs avec Interaction
Etape 9: Déterminer les réglages optimaux en analysant graphiquement les
interactions significatives (valeur-p < .05). Comme le montre le tableau ANOVA sur
la diapositive 29, l’interaction à 2 directions est significative. Nous pouvons donc
créer le graphique d’interaction pour Catalyseur * Température.
Si l’objectif est de maximiser le
Zinc
Catalyst
80
2 1 rendement, nous devons sélectionner
70
60
3 le catalyseur 3 à la température 1 ou
2. Notre choix de niveau de
température doit être basé sur celui
qui est soit le moins cher, soit le plus
facile à contrôler. Notre processus est
résistant à la température.
1
2
3
Temp
De plus, noter qu’au niveau de température 1, il ne semble pas y avoir beaucoup
de différence selon qu’on utilise l’un ou l’autre des 3 catalyseurs. Ce peut être une
autre option.
Jan-16
Fethi Derbeli
32
Mean
Exercice - Deux facteurs avec Interaction Etape 10: Pour des raisons pratiques, calculer les valeurs
Exercice - Deux facteurs avec Interaction
Etape 10: Pour des raisons pratiques, calculer les valeurs epsilon
au carré, indiquées ci-dessous. La température semble être la plus
critique pour le processus.
Source
DF
SS
E-sq
Catalyseur
2
529.39
15%
Temp
2
1620.72
46%
Catalyseur*Temp
4
442.44
13%
Erreur
27
943.00
27%
Total
35
3535.56
Etape 11: Reproduire les conditions optimales. Planifier l’expérience
suivante ou mettre en oeuvre les changements.
Etape 12: Rédiger le rapport final.
Jan-16
Fethi Derbeli
33
3 Facteurs à des niveaux multiples Exemple Objectif: Déterminer les réglages de crêpage, température de
3 Facteurs à des niveaux multiples Exemple
Objectif: Déterminer les réglages de crêpage, température de processus et d’humidité,
pour obtenir une bonne coloration des fibres nylon supérieure à 36
Résultat: aptitude à la coloration (plus la valeur est élevée, mieux c’est)
Zinc
Facteurs:
Niveaux de facteurs
Crêpage
Temp. de processus
Humidité
Bas
Moyen
Elevé
Bas
Moyen
Elevé
Bas
Moyen
Elevé
N = 3 observations par combinaison de traitement.
Etape 1 - Utiliser DOE Worksheet.doc pour préparer la CDE.
Etape 2 - Enoncer les facteurs et leurs niveaux.
Etape 3 - Sélectionner la taille appropriée de l’échantillon. Celle-ci a déjà été
déterminée.
Etape 4 - Créer la conception factorielle avec Minitab.
Jan-16
Fethi Derbeli
34
3 Facteurs à niveaux multiples - Exemple Zinc Etape 5 - Exécuter l’expérience Etape 6
3 Facteurs à niveaux multiples - Exemple
Zinc
Etape 5 - Exécuter l’expérience
Etape 6 - Utiliser ANOVA pour créer le modèle complet.
Y = m + Crimp (C) + Temperature (T) + Moisture (M)
+ (C * T ) + (C * M) + (T * M) + (C * T * M) + error
Source
Crêpage
Temp
Humidité
Crêpage*Temp
Crêpage* Humidité
Temp*Humidité
DF
SS
MS
F
P
1
50.074
50.074
15.28
0.000
2
261.333
130.667
39.86
0.000
2
436.000
218.000
66.51
0.000
2
11.259
5.630
1.72
0.194
2
78.815
39.407
12.02
0.000
4
355.667
88.917
27.13
0.000
Crêpage*Temp*Humidité 4
46.185
11.546
3.52
0.016
Erreur
36
118.000
3.278
Total
53
1357.333
Etape 7 - Analyser le tableau ANOVA pour revoir les effets
significatifs. Comme nous le voyons plus haut, l’interaction à 3
directions est significative. C’est le modèle réduit final.
Jan-16
Fethi Derbeli
35
Analyse résiduelle Etape 8 - Analyser les valeurs résiduelles du modèle réduit pour s’assurer que
Analyse résiduelle
Etape 8 - Analyser les
valeurs résiduelles du
modèle réduit pour
s’assurer que nous
ayons un modèle qui
soit bien adéquat. Ceci
est représenté dans le
graphique ci-contre. Les
résiduelles semblent
être distribuées de façon
aléatoire, ce qui indique
que notre modèle est
adéquat.
Analyse résiduelle du modèle factoriel complet
Residual Analysis for Full Factorial Model
Graphique normal des résiduelles
Graphique I des résiduelles
Normal Plot of Residuals
I Chart of Residuals
3
5
UCL=5.202
2
1
0
0
X=0.000
-1
-2
-5
LCL=-5.202
-3
-2.5
-1.5
-0.5
0.5
1.5
2.5
0
10
20
30
40
50
60
Normal Score
ObservationNumber
Histogramme des résiduelles
Résiduelles / adéquation
Histogram of Residuals
Residuals vs. Fits
3
15
2
1
10
0
5
-1
-2
0
-3
-3
-2
-1
0
1
2
3
25
30
35
Residual
Fit
Adéquation
Valeurs résiduelles
Jan-16
Fethi Derbeli
36
Fréquence
Valeurs résiduelles
Frequency
Residual
Valeurs résiduellesValeurs
résiduelles
Residual
Residual
Analyser l’interaction à 3 directions Etape 9: Déterminer les réglages optimaux en analysant graphiquement les
Analyser l’interaction à 3 directions
Etape 9: Déterminer les réglages optimaux en analysant graphiquement les
interactions significatives (valeur-p < .05). Comme le montre le tableau ANOVA sur
la diapositive précédente, l’interaction à 3 directions est significative.
Pour analyser l’interaction à 3 directions, nous devrons créer deux nouveaux
ensembles de données, un pour le bas niveau de crêpage et un pour le niveau de
crêpage élevé. Nous choisissons le crêpage parce que celui-ci n’a que deux niveaux.
Nous utiliserons ensuite le graphique d’interaction pour évaluer les interactions
d’humidité & température pour chaque niveau de crêpage. Ceci est illustré ci-dessous:
Interaction Humidité / Temp pour faible crêpage
Interaction Humidité / Temp pour crêpage élevé
Interaction of Moisture vs. Temp for Low Crimp
Interaction of Moisture vs. Temp for High Crim
Mois1
Mois2
1
1
2
2
35
3
35
3
1
1
2
2
3
3
30
30
25
25
111
222
333
111
222
333
Temp1
Temp2
Jan-16
Fethi Derbeli
37
Moyenne
Mean
Moyenne
Mean
Analyser l’interaction à 3 directions Interaction Humidité / Temp pour faible crêpage Interaction Humidité /
Analyser l’interaction à 3 directions
Interaction Humidité / Temp pour faible crêpage
Interaction Humidité / Temp pour crêpage élevé
Interaction of Moisture vs. Temp for Low Crimp
Interaction of Moisture vs. Temp for High Crim
Mois1
Mois2
1
1
2
2
35
3
35
3
1
1
2
2
3
3
30
30
25
25
111
222
333
111
222
333
Temp1
Temp2
A quels niveaux fixons-nous nos facteurs pour obtenir une aptitude à la teinture
supérieure à 36 ? D’après le graphique d’interaction à 3 directions ci-dessus, il semble
que nous ayons beaucoup de réglages différents ! Ceux-ci sont illustrés dans le tableau
ci-dessous.
Crêpage
Humidité
Température
Réglage 1
2
1, 2, ou 3
2
Réglage 2
2
1
3
Réglage 3
2
1
2, or 3
Réglage 4
1
2
1, or 2
Jan-16
Fethi Derbeli
38
Moyenne
Mean
Moyenne
Mean
Analyser l’interaction à 2 directions Etape 9: Déterminer les réglages optimaux en analysant graphiquement les
Analyser l’interaction à 2 directions
Etape 9: Déterminer les réglages optimaux en analysant graphiquement les interactions
significatives (valeur-p < .05). Après avoir analysé l’interaction à 3 directions, nous
analysons les interactions moins importantes ayant une valeur-p significative < .05,
donc nous analysons les interactions à 2 directions.
Humidité
Moisture
35
Dans cet
3
30
exemple, après
2
25
1
avoir analysé
l’interaction à 3
Crimp
35
Crêpage
directions, nous
2
30
25
1
avons identifié
les réglages de
tous les effets
Temp
35
principaux.
1
3
30
2
2
3
25
1
Jan-16
Fethi Derbeli
39
1
2
1
2
3
Analyse des effets principaux Etape 9: Déterminer les réglages optimaux en analysant graphiquement les principaux
Analyse des effets principaux
Etape 9: Déterminer les réglages optimaux en analysant graphiquement les principaux
effets significatifs (valeur-p < .05). Après avoir analysé toutes les interactions les plus
importantes, nous analysons maintenant les effets principaux.
Humidité
Crêpage
Moi sture
Crim p
Tem p
35.0
33.5
32.0
30.5
29.0
Dans cet
exemple, après
avoir analysé
l’interaction à 3
directions, nous
avons identifié
les réglages de
tous les effets
principaux.
Jan-16
Fethi Derbeli
40
1
2
3
Teinture
Dye
1
2
1
2
3
Epsilon au carré Etape 10: Pour des raisons pratiques, calculer les valeurs epsilon au carré,
Epsilon au carré
Etape 10: Pour des raisons pratiques, calculer les valeurs epsilon au carré, qui
sont représentées ci-dessous.
Il semble que l’humidité et la température affectent le plus la variabilité, nous
voudrons donc nous assurer que nous contrôlons bien ces facteurs.
Source
SS
Epsilon
Humidité
436
32.13%
Crêpage
50
3.69%
Temp
261
19.23%
Humidité*Crêpage
79
5.82%
Humidité*Temp
356
26.20%
Crêpage*Temp
11
0.81%
Humidité*Temp*Crêpage
46
3.40%
Erreur
118
8.70%
1357
Etape 11: Reproduire les conditions optimales. Planifier la prochaine
expérience ou mettre en oeuvre les changements.
Etape 12: Rédiger le rapport final.
Jan-16
Fethi Derbeli
41
L’orthogonalité dans les Expériences factorielles équilibrées Lorsque les expériences factorielles sont
L’orthogonalité dans les Expériences factorielles
équilibrées
Lorsque les expériences factorielles sont équilibrées, la conception est dite
complètement orthogonale. Ceci veut dire que chaque facteur est
statistiquement indépendant des autres.
Vérifions cela en corrélant les colonnes des facteurs:
MTB > Correlation 'Moisture'-'Temp'.
Corrélation (Pearson)
Humidité
Crêpage
Crêpage
0.000
Temp
0.000
0.00
Noter que toutes les corrélations
sont nulles. Ceci veut dire que nous
réalisons en fait trois expériences
indépendantes en une seule étude.
Jan-16
Fethi Derbeli
42
Résumé des expériences factorielles • Comprendre les avantages des expériences factorielles • Déterminer
Résumé des expériences factorielles
• Comprendre les avantages des expériences
factorielles
• Déterminer comment analyser les expériences
factorielles générales
• Comprendre le concept de l’interaction statistique
• Analyser les expériences à 2 et 3 facteurs
• Utiliser des techniques de diagnostic pour évaluer
l’adéquation du modèle statistique.
• Identifier le plus important des facteurs critiques
dans les expériences.
Jan-16
Fethi Derbeli
43
Questions? Jan-16 Fethi Derbeli 44
Questions?
Jan-16
Fethi Derbeli
44