Académique Documents
Professionnel Documents
Culture Documents
1.1 Introduction
Le lecteur souhaitant une introduction plus orientée vers les aspects indus-
triels de la méthode des plans d’expérience pourra consulter aussi les premiers
chapitres des ouvrages de Goupy [45] ou [46], de Pillet [72] ainsi que Sado et
Sado [82].
1.2.2 Réponse
Citons quelques exemples. Pour l’étude de l’acidité d’un jus de fruit il est
possible de mesurer son pH afin de quantifier ce problème. L’objectif souhaité
est alors la minimisation de la réponse. Pour le cas d’une production agri-
cole la réponse est, par exemple, le rendement à l’hectare et l’objectif est de
maximiser cette réponse.
1.2.3 Facteurs
Remarquons que les facteurs peuvent être quantitatifs lorsqu’ils sont na-
turellement exprimés à l’aide de valeurs numériques (pression, température,
durée, etc...) ou bien qualitatifs dans le cas contraire (couleur, type de
matériau, sexe, etc...). Il est classique de transformer des facteurs qualitatifs
en facteurs quantitatifs à l’aide d’un codage approprié (par exemple en affec-
tant la valeur 0 pour ”Homme” et la valeur 1 pour ”Femme” dans le cas du
sexe), tout ceci sera détaillé dans la suite.
Pression
Expérience
2 bar Domaine
expérimental
1 bar
Température
60 °C 80 °C
Fig. 1.1. Plan d’expérience et domaine expérimental.
1.2 La démarche de planification expérimentale 7
Le fait de ramener systématiquement les divers niveaux bas à 0 est une tech-
nique classique avec ce type de modèle où lorsqu’un facteur est à h modalités
il suffit alors d’en estimer les (h − 1) effets (voir le chapitre 8 pour plus de
détails). En d’autres termes on suppose donc ici à l’aide du modèle postulé
que :
ii) les trois facteurs présentent divers ”effets simples” influençant directe-
ment la réponse mesurée (par exemple l’additif 3 seul semble avoir un effet
néfaste sur la fluidité lorsqu’il est utilisé en grande quantité puisque plus son
débit est grand plus la fluidité diminue),
iii) il existe un ”effet d’interaction” entre les additifs 1 et 2 car s’ils sont
utilisés simultanément avec un débit élevé alors une nette augmentation de
la fluidité apparaı̂t (+60). Ceci peut être dû, par exemple, à une réaction
chimique se produisant uniquement lorsque les quantités de ces deux additifs
sont assez élevées.
β0 = 120
[1]
β0 + β1 = 130
[2]
β0 + β1 = 100
Puisque aucune expérience n’a été omise, il est donc possible de déterminer les
réglages optimaux en sélectionnant tout simplement l’expérience qui conduit
à maximiser la réponse. Il s’agit ici de l’expérience 9 associée aux débits ci-
dessous :
Débit 1 : Fort / Débit 2 : Fort / Débit 3 : Faible.
Une telle démarche pose cependant le problème du nombre d’expériences
à réaliser qui peut devenir rapidement trop important. On peut en effet sup-
poser ici que chaque expérience est longue et coûteuse à mettre en oeuvre. Il
est alors beaucoup trop lourd de réaliser concrètement 27 expériences alors
que seulement 8 paramètres sont à déterminer. Remarquons de plus que le
problème est ici assez simple car seulement 3 facteurs à 3 modalités intervi-
ennent. Pour 5 facteurs à 6 modalités le nombre total d’expériences est cette
fois de 65 = 7776. Lorsque les facteurs sont quantitatifs continus (pression,
température, ...) il devient impossible de réaliser toutes les expériences disct-
inctes puisqu’il en existe une infinité.
2) Utilisation de la technique ”un facteur à la fois”
L’expérimentateur devant faire face à une situation où la réalisation de
toutes les expériences est beaucoup trop lourde se rabat souvent sur ce type
de technique. Comme son nom l’indique elle consiste à faire varier chacun
des facteurs, l’un après l’autre, en lui affectant toutes les modalités possibles.
Puisqu’ici chaque facteur est à 3 modalités ceci conduit donc à la réalisation
d’un total de 9 expériences données dans la table 1.2.
i) faire varier les facteurs un par un masque les éventuels effets d’inter-
actions entre plusieurs facteurs,
ii) le choix du niveau pour les facteurs ne variant pas (”moyen” ici) n’est
pas évident et peut avoir un effet sur la qualité des résultats obtenus,
D’après la totalité des expériences de la table 1.1 il est clair que ce résultat
est faux puisqu’il ne s’agit pas du meilleur choix possible.
12 1 La notion de plan d’expérience
ii) même si tous les paramètres inconnus du modèle étudié peuvent être
estimés la qualité des résultats obtenus ne sera généralement pas optimale.
Illustrons ceci à l’aide des 9 expériences présentées dans la table 1.3. Ce choix
peut paraı̂tre, à priori, plus judicieux que celui de la table 1.2 dans le sens où
la configuration présentée ici est équilibrée puisque chacun des niveaux des
facteurs apparaı̂t le même nombre de fois. Déterminons maintenant les divers
paramètres du modèle. L’expérience 1 permet immédiatement de retrouver la
valeur β0 = 120 pour l’effet moyen général. De même les expériences 10 et 19
conduisent aux divers effets de l’additif 3 puisque :
[1] [2]
β3 = −10 et β3 = −30.
que la valeur maximale de la réponse devrait être de 170 lorsque les différents
réglages suivants sont effectués :
1.3 Historique
Divers chercheurs ont par la suite marché dans les traces de Fisher
afin de promouvoir et développer l’utilisation des techniques de planifica-
tion expérimentales dans d’autres domaines que l’agronomie. Dès les années
50 les travaux de Box et de ses collaborateurs (principalement sur les sur-
faces de réponse) ont entrainé bon nombre d’application pratiques. Mais ce
sont certainement les travaux de G. Taguchi qui ont permi une vaste diffu-
sion des plans d’expérience, notamment dans le milieu industriel. Travaillant,
entre autre, comme consultant pour de multiples entreprises japonaises G.
Taguchi a eu l’idée de réaliser des tables de configurations expérimentales
de référence facilement utilisables par des non-spécialistes. Il a de plus in-
clu l’expérimentation au sein d’une démarche plus large de ”qualité totale”
amenant à la conception de produits fiables et de bonne qualité. Ses idées ont
été mises en œuvre dans bon nombre d’industries japonaises dès les années
70.
Voici une liste, non-exhaustive, d’ouvrages ayant fait avancer l’état de l’art
dans ce domaine lors des dernières années (ces références, ainsi que d’autres,
seront rappelées par la suite dans les divers chapitres correspondants) : Benoist
et al. [3], Collombier [19], Cox [24], Cox et Reid [25], Cornell [22], Dagnelie
[27], Dodge [29], Federer et King [39], John [52], Khuri et Cornell [56], Phan-
Tan-Luu et Mathieu [71], Pukelsheim [75], Saporta et al. [84], etc...
Cet ouvrage a pour objectif de présenter une vision très générale de la méthode
des plans d’expérience. Pour cela un grand nombre de configurations sont
étudiées (plans pour criblage, plans à effets d’interactions, plans pour surfaces
de réponse, plans en blocs, plans pour mélanges, plans pour facteurs qualitat-
ifs, plans pour facteurs qualitatifs en blocs, etc ...) ainsi qu’un grand nombre
de notions mathématiques (estimation, prédiction, fractions régulières, iso-
variance, efficacité ...). Cette approche est originale car beaucoup d’ouvrages
actuels sur ce sujet se cantonnent bien souvent à un thème précis (les surfaces
de réponse par exemple) et séparent souvent le cas des facteurs quantitatifs
du cas des facteurs qualitatifs. Une synthèse des méthodes de planification est
ici proposée dans ces divers contextes en essayant de les unifier au maximum
(notion de ”plans usuels” par exemple).
16 1 La notion de plan d’expérience
1.4.2 Structure
Une troisième partie est consacrée aux plans d’expérience pour facteurs qual-
itatifs. Elle est constituée par les deux chapitres présentés ci-dessous.
Chapitre huit : ”Plans d’expérience pour facteurs qualitatifs”.
Ce chapitre présente les dispositifs expérimentaux adaptés à ce type
de facteurs. Le modèle additif est étudié en détails principalement
concernant la propriété d’orthogonalité. Les plans d’expérience facto-
riels complets sont présentés puis la théorie des fractions régulières est
étendue au cas de ces facteurs qualitatifs. Diverses situations ”non-
standard” (fraction pour nombre de modalités non premier, pour nom-
bres de modalités différents, etc...) sont étudiées. Le modèle à effets
d’interactions est brièvement présenté.
Chapitre neuf : ”Plans d’expérience en blocs pour facteurs
qualitatifs”.
Tout comme pour les facteurs quantitatifs il est possible que les obser-
vations ne soient pas issues de conditions expérimentales homogènes. Il
est alors nécessaire d’effectuer des regroupements en sous-ensembles
homogènes encore appelés blocs. Les plans d’expérience permettant
d’analyser facilement un modèle à effets de blocs sont présentés. Ce
chapitre s’intéresse tout particulièrement aux plans en blocs complets,
aux plans en blocs incomplets équilibrés, aux plans en blocs partielle-
ment équilibrés et enfin aux plans en blocs cycliques.
Dans le but de ne pas alourdir les chapitres des compléments contenant les
démonstrations ainsi que certains aspects théoriques sont présents à la fin de
chacun d’eux. Ces compléments contiennent les démonstrations des résultats
signalés par le symbole [].
Afin de ne pas alourdir inutilement ce livre l’analyse des différent exemples est
focalisée sur la mise en oeuvre et l’interprétation des résultats découlant de la
planification expérimentale réalisée. Le lecteur ayant de bonnes connaissances
en statistique ne s’étonnera donc pas du fait qu’une analyse exhaustive
des résultats n’a volontairement pas été menée. Citons les principaux traite-
ments statistiques qui ne sont pas abordés dans les exemples mais qui peuvent
s’avérer très utiles pour enrichir et interpréter avec rigueur toute étude.
PRESS (pour Prediction Error Sum of Square) mesurant cette fois les
capacités prédictives du modèle, le R2 de prédiction calculé à partir
du PRESS, etc...
2) Toujours pour évaluer la qualité du modèle ajusté un certain nom-
bre d’indicateurs graphiques peuvent aider l’utilisateur. Il s’agit
principalement du nuage de points des résidus estimés permettant
de visualiser ou non une bonne répartition des résidus ou encore du
nuage de points des résidus studentisés plus adapté à la détection de
mesures aberrantes. De même, des graphiques du type droite de Henry
ou QQ-plot (pour quantile-quantile) permettent de juger la validité de
l’hypothèse de normalité des observations.
3) Une fois le meilleur modèle déterminé le détail des diverses tech-
niques d’optimisation conduisant à la recherche du ou des extrema
n’est pas présenté. En effet en dehors du cas des modèles linéaires
particulièrement simples (tels les modèles de degré un) le problème
de l’optimisation (sous la contrainte de rester au sein du domaine
expérimental) est un sujet très vaste qui pourrait faire l’objet à lui
seul d’un ouvrage spécialisé. Le lecteur souhaitant se documenter plus
en détail sur ces diverses techniques pourra se référer au chapitre 5
de l’ouvrage de Khuri et Cornell [56] concernant la méthode générale
dite ”d’analyse canonique” basée sur un changement de repère facili-
tant l’analyse d’un modèle polynomial d’ordre deux. La méthode clas-
sique qualifiée de ”ridge analysis” y est aussi présentée. Concernant
l’optimisation de manière plus générale on pourra se référer à l’ouvrage
de Ciarlet [18] pour la présentation de la technique des multiplicateurs
de Lagrange ainsi qu’un certain nombre d’algorithmes classiques (gra-
dient, relaxation, etc...).
Le lecteur souhaitant en savoir plus sur ces diverses méthodes peut aussi
consulter l’étude menée à la fin de ce chapitre ou bien se référer à la plupart
des ouvrages de statistique générale tels que celui de Saporta [83] (ou Khuri
et Cornell [56] pour une approche plus orientée vers les plans d’expérience).
Une alternative consiste à supposer cette fois que les effets des blocs sont
aléatoires. Le modèle ainsi obtenu, mélangeant effets fixes pour les traitements
et effets aléatoires pour les blocs, est souvent qualifié de modèle mixte.
Concrètement un tel modèle peut être intéressant dans toutes les situations
où un grand nombre de blocs interviennent et on ne veut tester qu’un
petit nombre de blocs choisis aléatoirement dans la population totale. Un
exemple concret est proposé par Khuri [55] pour une usine produisant des
barres d’acier en continu. Il est alors tout à fait naturel de regrouper dans
ce cas en blocs les productions supposées a priori homogènes, c’est-à-dire
issues d’un même arrivage de matière première. Ceci conduit cependant à la
distinction d’un trop grand nombre de blocs différents. Le service qualité de
l’entreprise préfère alors vérifier la qualité de fabrication des barres produites
uniquement sur certains lots choisis aléatoirement dans la production totale.
Le modèle mixte est dans ce cas mieux adapté à une telle étude que le modèle
classique à effets de blocs fixes.
Les travaux de Khuri [55] ou Tinsson [99] ont montré qu’un tel modèle
peut être analysé de manière relativement aisée à l’aide de la plupart des
plans d’expérience classiques pour modèles d’ordre deux à effets de blocs fixes
(plans composites centrés, plans de Box et Behnken, etc...). Une grande partie
de ces configurations sont présentées en détail dans cet ouvrage.
Une autre grande classe de plans d’expérience est celle des configurations dites
à effets de voisinage. Dans un cadre agronomique de tels plans d’expérience
correspondent à des situations où l’on s’intéresse à l’effet du traitement (di-
rect) appliqué à une parcelle donnée mais aussi aux traitements appliqués
aux parcelles voisines. Ces deux derniers effets sont les effets de voisinage à
droite et à gauche (lorsque ces effets n’interviennent que dans une direction).
Pour une expérience se déroulant au fil du temps l’utilisation de tels modèles
est utile lorsque la réponse de la i-ème expérience peut être influencée par la
réponse obtenue préalablement pour la (i-1)-ème expérience (une telle situa-
tion est par exemple courante en agro-alimentaire où une personne goûtant
un aliment peut être influencée par le dernier produit gouté). D’un point de
vue mathématique la situation s’interprète alors comme une généralisation
du contexte des plans d’expérience en blocs pour facteurs qualitatifs (voir le
chapitre 9) par adjonction d’un ou de plusieurs effets de voisinage. Ces nou-
veaux effets rendent évidemment la recherche de configurations optimales bien
plus difficile que dans le cas classique. De telles configurations (lorsqu’elles ex-
istent) sont plus lourdes en terme de nombre d’expériences que les plans usuels
à cause des effets supplémentaires introduits dans le modèle.
1) Logiciels non-spécialisés.
Certains utilisateurs ne disposent parfois d’aucun logiciel spécialisé dans
le traitement des données statistiques. Les résultats présentés dans cet ou-
vrage sont cependant quasiment tous donnés de manière explicite à l’aide de
formules mathématiques. Il est donc tout à fait possible de programmer ces
diverses formules puis de les utiliser sur des données réelles. Ceci peut être
24 1 La notion de plan d’expérience
fait à l’aide de simples tableurs tels que Excel ou OpenOffice d’ailleurs très
conviviaux afin d’écrire facilement le plan d’expérience ainsi que les observa-
tions. Tout langage de programmation (C, C++, Pascal, Fortran, etc...)
permet aussi de programmer aisément les divers résultats présentés.
Toute l’analyse présentée dans cette partie a été menée à l’aide du logi-
ciel Nemrod (”Generation de matrices d’expérience en fonction des objectifs
et traitement des réponses expérimentales”, Version 2000, Didier Mathieu,
Jean Nony et Roger Phan-Than-Luu, LPRAI, Marseille, France) qui permet
de générer bon nombre de plans d’expérience et de réaliser la plupart des
traitements statistiques classiques.
Tout au long de cette section des références du type [voir 2.4.3] sont pro-
posées. Ceci indique au lecteur que la notion utilisée est étudiée en détails
au paragraphe 2.4.3 de cet ouvrage (i.e. au chapitre 2, quatrième section et
troisième sous-section).
60 ≤ x1 ≤ 70 , 20 ≤ x2 ≤ 30 , 5 ≤ x3 ≤ 8.
Ces diverses valeurs vont être utilisées maintenant comme valeurs de référence
(afin de réaliser l’opération dite de codage des variables). Il convient en
pratique d’être prudent vis-à-vis de ces valeurs, le plus souvent issues de
l’expérience acquise par les utilisateurs, qui parfois peuvent aussi les induire
en erreur. C’est pourquoi une majorité des expériences vont être réalisées en
restant dans ces plages de fonctionnement mais certaines d’entre elles seront
26 1 La notion de plan d’expérience
hors de ces modes de fonctionnement courants (si bien entendu cela est tech-
niquement possible). Ceci pourra être le cas ici puisque les spécialistes du
phénomène étudié donnent les valeurs suivantes associées cette fois aux con-
traintes techniques du procédé industriel (il s’agit donc des valeurs à re-
specter obligatoirement) :
30 ≤ x1 ≤ 90 , x2 ≤ 60
Ceci montre, par exemple, que la presse utilisée ne peut techniquement pas
fonctionner au delà de 60 g/cm2 . Il n’y a bien sur dans l’absolu aucune con-
trainte pour la durée de l’opération x3 si ce n’est qu’elle doit être positive.
Une fois les facteurs clairement identifiés et la réponse connue on peut pro-
poser un plan d’expérience, c’est-à-dire une liste d’expériences à réaliser
afin de cerner au mieux le phénomène étudié. Dans l’absolu le choix d’un
plan d’expérience n’a pas de sens tant qu’il n’est pas subordonné au choix
préalable d’un modèle mathématique. Les modèles les plus classiques sont
les modèles polynomiaux (le plus souvent de degré inférieur ou égal à deux).
Supposons que pour l’étude réalisée ici on ait, a priori, aucune idée précise
concernant le choix d’un modèle approprié. Afin de pouvoir ajuster plusieurs
modèles polynomiaux il est possible d’utiliser un plan d’expérience très clas-
sique, de type composite centré [voir 5.3], présenté dans la table 1.6. Ce plan
d’expérience est constitué par un total de 17 expériences écrites ligne par ligne
avec les niveaux des différents facteurs sous forme codée.
1.7 Présentation d’une étude 27
N◦ Exp X1 X2 X3
1 −1.0000 −1.0000 −1.0000
2 1.0000 −1.0000 −1.0000
3 −1.0000 1.0000 −1.0000
4 1.0000 1.0000 −1.0000
5 −1.0000 −1.0000 1.0000
6 1.0000 −1.0000 1.0000
7 −1.0000 1.0000 1.0000
8 1.0000 1.0000 1.0000
9 −1.6818 0.0000 0.0000
10 1.6818 0.0000 0.0000
11 0.0000 −1.6818 0.0000
12 0.0000 1.6818 0.0000
13 0.0000 0.0000 −1.6818
14 0.0000 0.0000 1.6818
15 0.0000 0.0000 0.0000
16 0.0000 0.0000 0.0000
17 0.0000 0.0000 0.0000
Un tel plan d’expérience est qualifié de composite car il est constitué de trois
parties différentes utilisables pour divers types d’ajustements. La première
partie (expériences 1 à 8) est la partie factorielle constituée par les 8 sommets
du cube unité. La seconde partie (expériences 9 à 14) est la partie axiale con-
stituée par des points sur les axes du repère utilisé. Tous ces points sont situés
à une distance égale à 1.6818 du centre du repère (la valeur exacte étant en
fait 81/4 ) dans le but d’obtenir la propriété classique d’isovariance par trans-
formations orthogonales [voir 5.2.5]. Il s’agit ici du choix proposé par défaut
par le logiciel. Chacune de ces 6 expériences utilise donc pour un des facteurs
des niveaux hors des valeurs de fonctionnement usuelles. Enfin la dernière
partie du plan composite (expériences 15 à 17) est constituée par une triple
répétition de l’expérience qualifiée de centrale (i.e. avec tous les facteurs fixés
à leur niveau moyen). Dans un contexte statistique il est intéressant de répéter
plusieurs fois certaines expériences car la nature aléatoire du phénomène va
entraı̂ner que les réponses observées ne seront pas égales. Ceci permet de plus
de réaliser une analyse plus fine du phénomène étudié [voir 2.5.4]. L’usage de
facteurs sous forme codée simplifie le travail d’analyse mais cette transforma-
tion est inutile pour l’utilisateur. C’est pourquoi il est courant d’éditer à la
fois le plan d’expérience avec les facteurs codés et le plan d’expérience avec
les facteurs exprimés dans leurs unités initiales.
28 1 La notion de plan d’expérience
Cette seconde forme (table 1.7) est souvent appelée protocole expérimental
(le terme de plan d’expérimentation est aussi utilisé par le logiciel Nemrod).
Lorsque la liste des expériences est fournie au technicien devant les réaliser il
convient, bien entendu, de lui donner directement le protocole expérimental
auquel il devra se tenir.
f (x1 , x2 , x3 ) = β0 + β1 x1 + β2 x2 + β3 x3 .
N◦ Exp X1 X2 X3 Y1
1 1.0000 −1.0000 −1.0000 63.4
2 −1.0000 1.0000 −1.0000 57.2
3 −1.0000 −1.0000 1.0000 70.2
4 1.0000 1.0000 1.0000 56.6
5 0.0000 0.0000 0.0000 54.8
6 0.0000 0.0000 0.0000 55.2
7 0.0000 0.0000 0.0000 54.6
Ceci est confirmé par l’analyse plus fine complémentaire donnée ci-dessous. On
retiendra principalement la valeur du coefficient de corrélation linéaire multi-
ple [voir 2.5.2] qui est bien trop faible (0.591) pour rendre compte d’un ajuste-
ment correct. De même la plupart des paramètres estimés pour ce modèle ne
sont pas significativement différents de zéro [voir 2.6] ce qui, une nouvelle fois,
confirme que l’ajustement réalisé n’est pas satisfaisant.
N◦ Exp X1 X2 X3 Y1
1 −1.0000 −1.0000 −1.0000 58.9
2 1.0000 −1.0000 −1.0000 63.4
3 −1.0000 1.0000 −1.0000 57.2
4 1.0000 1.0000 −1.0000 61.3
5 −1.0000 −1.0000 1.0000 70.2
6 1.0000 −1.0000 1.0000 74.5
7 −1.0000 1.0000 1.0000 52.6
8 1.0000 1.0000 1.0000 56.6
9 0.0000 0.0000 0.0000 54.8
10 0.0000 0.0000 0.0000 55.2
11 0.0000 0.0000 0.0000 54.6
Une analyse plus fine donne maintenant les résultats ci-dessous. Malgré
l’amélioration de la qualité d’ajustement constatée précédemment, le coef-
ficient de corrélation linéraire multiple a une valeur qui est encore trop faible
ici (0.778) pour que l’ajustement réalisé soit de bonne qualité. On retrouve
ce même résultat en considérant le tableau des divers paramètres estimés qui
montre que, hormis l’effet moyen général β0 , aucun d’entre eux n’est signi-
ficativement différent de zéro.
Résidus
1.45
Y Calculé
0.00
50.71 55.09 59.47 63.85 68.23 72.61
–1.45
–2.90
–4.35
32 1 La notion de plan d’expérience
N◦ Exp X1 X2 X3 Y1
1 −1.0000 −1.0000 −1.0000 58.9
2 1.0000 −1.0000 −1.0000 63.4
3 −1.0000 1.0000 −1.0000 57.2
4 1.0000 1.0000 −1.0000 61.3
5 −1.0000 −1.0000 1.0000 70.2
6 1.0000 −1.0000 1.0000 74.5
7 −1.0000 1.0000 1.0000 52.6
8 1.0000 1.0000 1.0000 56.6
9 −1.6818 0.0000 0.0000 53.2
10 1.6818 0.0000 0.0000 61.7
11 0.0000 −1.6818 0.0000 74.5
12 0.0000 1.6818 0.0000 58.0
13 0.0000 0.0000 −1.6818 57.4
14 0.0000 0.0000 1.6818 63.3
15 0.0000 0.0000 0.0000 54.8
16 0.0000 0.0000 0.0000 55.9
17 0.0000 0.0000 0.0000 54.6
La somme des carrés due à l’erreur est maintenant très faible devant la somme
totale. Ceci indique que le modèle semble être maintenant bien ajusté. Le
tableau d’analyse de la variance proposé ici par le logiciel est plus complexe
que pour les deux modèles précédents car la somme des carrés due aux résidus
a été décomposée en somme due à la ”validité” et somme due à ”l’erreur”. Il
s’agit d’une technique permettant d’affiner l’analyse de la variance, utilisable
dès lors qu’au moins une expérience a été répétée, et permettant de tester
l’hypothèse H0 : ”le modèle est bien ajusté en moyenne” [voir 2.6.5]. Une
analyse plus fine donne ensuite les résultats ci-dessous :
Les différents résidus peuvent une nouvelle fois être représentés sous forme
graphique.
Résidus
0.78
0.52
0.26
Y Calculé
0.00
52.45 56.90 61.34 65.79 70.24 74.69
–0.26
La plus grande erreur d’ajustement commise (de l’ordre de 0.8 pour une
réponse observée de 55.9) correspond à l’une des expériences dites ”centrales”
(expériences 15, 16 et 17). Ceci était prévisible car il est impossible que la
réponse moyenne prédite au centre du domaine par le modèle soit parfaite-
ment ajustée aux trois valeurs différentes obtenues lors des trois répétitions
1.7 Présentation d’une étude 35
Durée X3
8.0 1.00
61.0 69.057.0 55.0 53.0
0.50
X2
6.5
–1.00 –0.50 0.00 0.50 1.00
–0.50
55.0
5.0 –1.00
1.7.9 Conclusion
Cette étude a montré qu’un modèle polynomial d’ordre deux complet semble
modéliser correctement le phénomène étudié ici. Il apparaı̂t que les condi-
tions expérimentales optimales, c’est-à-dire celles permettant de minimiser
l’élasticité du produit sont obtenues pour les niveaux codés suivants :
En revenant aux unités initiales ceci correspond donc aux réglages donnés
ci-dessous :
Facteur 1 58.3 ◦ C
Facteur 2 29.2 g/cm2
Facteur 3 7.1 s
1.7 Présentation d’une étude 37
ŶOP T 51.8
http://www.springer.com/978-3-642-11471-7