I.

Modélisation par les plans d’expériences

Les plans d'expériences permettent d'organiser au mieux les essais qui accompagnent une
recherche scientifique ou des études industrielles. Ils sont applicables à de nombreuses
disciplines et à toutes les industries à partir du moment où l’on recherche le lien qui existe
entre une grandeur d’intérêt, y, et des variables, x . Il faut penser aux plans d'expériences si
i

l’on s’intéresse à une fonction du type :

Y=f (xi)
Avec les plans d'expériences on obtient le maximum de renseignements avec le minimum
d'expériences.
Néanmoins, ces plans d’expériences ne permettent pas de localiser avec précision un optimum
présent dans le domaine d’étude exploré, sa recherche est réalisée via la modélisation de la
réponse étudiée et l’exploitation de modèle ajusté au moyen de différents outils
mathématiques et statistiques.

I.1.Réponse, facteur, niveaux

La grandeur physique «y » mesurée par l’expérimentateur est appelée réponse, cette

réponse varie en fonction des grandeurs physiques «Ui » modifiables par l’expérimentateur,
appelées facteurs.
La fonction mathématique « f » reliant les facteurs à la réponse est un polynôme du premier
ou second degré dans le cas des plans d’expériences.
La valeur donnée à un facteur pour réaliser un essai est appelée niveau.
Les variations des facteurs sont bornées par une valeur maximale et une valeur minimale
appelées respectivement niveau haut et niveau bas, le code (-1) est affecté au niveau bas, et le
code (+1) est affecté au niveau haut.

I.2. Domaine d’étude, surface de réponse

L’ensemble de toutes les valeurs que peut prendre le facteur entre le niveau bas et le niveau
haut, s’appelle le domaine de variation du facteur, ou plus simplement, le domaine du
facteur.

Proposé par Mr AYDI.A Page 1

La réunion des domaines de chaque facteur définit le « domaine d’étude ». Ce domaine
d’étude est la partie de l’espace expérimental retenu par l’expérimentateur pour faire ses
essais.
Une étude, c’est-à-dire un ensemble d’expériences bien définies, est représentée par une série
de points disposés dans le domaine d’étude
À chaque point du domaine d’étude correspond une réponse. À l’ensemble de tous les points
du domaine d’étude correspond un ensemble de réponses qui se localisent sur une surface
appelée la Surface de réponse.

Figure I. 1. Définition du domaine d’étude par l’expérimentateur

Figure I. 2. Définition de la surface de réponse

I.3.Notion de modèle mathématique

Proposé par Mr AYDI.A Page 2

Si l’expérimentateur réalise un essai en un point expérimental, il obtient une réponse yi qu’il
peut modéliser, selon le modèle du second degré avec interaction :

∑ +∑ ∑

 Y : est la grandeur à laquelle s’intéresse l’expérimentateur. C’est la réponse ou la

grandeur d’intérêt. Elle est mesurée au cours de l’expérimentation et elle est obtenue
avec une précision donnée.
 X i : représente le niveau attribué au facteur i. C’est la valeur de la coordonnée du
facteur i retenue par l’expérimentateur pour réaliser un essai. Cette valeur est
parfaitement connue.
 a0, ai, aij, aii : sont les coefficients du modèle mathématique adopté. Ils ne sont pas
connus et doivent être calculés à partir des résultats des expériences.

Cependant, il existe toujours un écart entre la valeur renvoyée par le modèle

mathématique(Ŷ) et la valeur mesurée expérimentalement(Y), soit :

Y=Ŷ+e

Deux raisons explique cet écart :

1. la réponse est une variable aléatoire, sa mesure est entachée d’une erreur
expérimentale pure désignée ε.
2. Le modèle choisi n’est pas le meilleur, il y a donc un écart systématique entre
le modèle mathématique et le modèle postulé, cet écart est une variable non
aléatoire Δ, cette variable s’appelle le manque d’ajustement ou lack of fit.

I.3.1.Evaluation de la qualité de l’ajustement

Les valeurs des coefficients sont estimées par la méthode des moindres carrés.
Le modèle ajusté est évalué à l’aide de quatre outils statistiques suivant :
 La comparaison de la variance attribuable à la régression à la variance
résiduelle, au moyen du test de Fisher, pour ce faire, on calcule ainsi :

Proposé par Mr AYDI.A Page 3

 ∑ ⁄
=
∑ ⁄

Avec
Ȳ la valeur moyenne des réponses mesurées.
Nombre de degrés de liberté associé à la somme des carrés des écarts à la
moyenne de la régression
Nombre de degrés de liberté associé à la somme des carrés des résidus
La valeur de ce rapport doit être supérieure à la valeur critique de Fisher à un niveau
de confiance supérieur à 95%( F0.05 (νx, νR)) pour la régression soit significative.
 Le coefficient de détermination de la régression multilinéaire R2 qui est défini
par le rapport de dispersion totale des résultats suivant :
∑
R²=∑

Plus la valeur de R² est proche de l’unité, meilleur est l’ajustement.

 Le coefficient de détermination ajusté (RA²)

( )⁄ ∑ ⁄
∑

RA²=1 –
∑ ⁄ ∑ ⁄

Avec :
Le nombre de degré de liberté associé à la somme des carrés des écarts à la
moyenne des réponses mesurées. Plus la valeur de R A2 est proche de l’unité,
meilleur est l’ajustement.
 L’analyse graphique es résidus ri permet la vérification de la distribution autour
de zéro au moyen du diagramme de Daniel

I.3.2.Validation du modèle

L’exploitation du modèle ajusté n’est possible qu’après sa validation c’est-à-dire vérifier que,
dans tout le domaine d’étude, sa qualité prévisionnelle est bonne. Dans la pratique, deux
méthodes de validation sont utilisées :
 Analyse de manque d’ajustement

C’est une évaluation et comparaison entre les variances du manque d’ajustement

expérimentales et résiduelles. En tenant compte de degrés de liberté associé à une somme de
carré (SS), les expressions de ces variances sont les suivantes :

Proposé par Mr AYDI.A Page 4

  Variance résiduelle

∑( )

 Variance expérimentale

Avec mi moyenne des réponses d’une expérience répliquée plusieurs fois, en

général au centre du domaine.

 Variance du manque d’ajustement

Avec la variance due au manque d’ajustement (SSΔ) et le nombre de degré de liberté (νΔ),
qui lui est associé sont donné par l’expression suivante :

Le modèle est validé si la variance due au manque d’ajustement, est non significative, c’est-à-
dire si la valeur du rapport F défini par :

Est inférieure à la valeur critique de Fisher : F0.05 (νΔ, νE).

 Validation par les points tests
Le modèle est validé si les rapports texp sont inférieurs à la valeur critique de
Student (au niveau de confiance 95% pour degrés de liberté) :

√ √
Avec
бR2 variance résiduelle calculée avec νR degrés de liberté.
dU fonction de variance de prédiction au point test considéré.

Proposé par Mr AYDI.A Page 5

I.4.Variables codées
Etant impossible de comparer les variables ayant des unités différentes, il est nécessaire donc
d’effectuer un codage pour surmonte ce problème. Notons alors « xi » les valeurs des
variables codées qui sont définies de la manière suivante :
Xi=

Avec :

Et

Ainsi, les facteurs obtenues sont sans dimensions par conséquent directement comparables
entre eux.

I.5. Systèmes d’équation

Après réalisation d’un plan d’expériences comportant n points expérimentaux, le système
s’écrit d’une manière simple en notion matricielle :

Avec :
Y : vecteur des réponses.
X : matrice des effets.
a : vecteur des coefficients.
e : vecteur des résidus.

Ce système ne peut pas, en général, être résolu simplement car le nombre d’équations est
inférieur au nombre d’inconnues. En effet, il y a n équations et (p + n) inconnues. Cette
résolution ne peut être menée à bien que si l’on utilise une méthode de régression qui introduit
p équations supplémentaires. La plupart du temps cette méthode est basée sur le critère
d’optimisation des moindres carrés.
On obtient ainsi les estimations les plus probables des coefficients que l’on note :
â
Le résultat de ce calcul est :
â = (tX X)-1 t X Y
Formule dans laquelle la matrice tX est la matrice transposée de X.

Proposé par Mr AYDI.A Page 6

Deux matrices interviennent constamment dans la théorie des plans d’expériences :
— la matrice d’information t X X ;
— la matrice de dispersion (tX X)-1

V.6. Dispersion des coefficients

Les statisticiens ont établi la formule qui donne l’erreur sur les coefficients du modèle lorsque
l’on a une estimation du résidu.
Cette formule, sous sa forme la plus simple, est la suivante :
Diag V(â)= Diag бr² ( tX X)-1
C’est-à-dire que les variances des coefficients sont égales à la variance du résidu, бr²,
multipliée par l’élément diagonal de la matrice de dispersion.
Les variances des coefficients sont les termes diagonaux de la matrice V (â). On obtient ces
variances par identification.

I.7.Critères de D-optimalité

Critères de D-Optimilaté
Afin d’expliciter le principe du critère de D-optimalité, il est nécessaire de revenir sur les
bases de la régression multilinéaires.
Notion de base sur les régressions multilinéaires obtient une réponse
Si l’expérimentateur réalise un essai en un point expérimental, il obtient une réponse y i qu’il
peut modéliser, selon le modèle du second degré avec interaction :
5 5 i 1 5
y  a0   ai xi   a n xi x j  ai 15 xi2  e avec n=2+j+Maw(i,2i-3)
i 1 i  2 j 1 i 1

y représente la réponse analysée. Celle-ci est mesurée avec une certaine erreur.il s’agit donc
d’une variable aléatoire. x i sont les facteurs fixés dans le plan d’expérience, ils n’introduisent
pas d’erreur. e est le résidu c’est-à-dire l’écart entre la valeur renvoyé par le modèle
mathématique et la valeur mesurée expérimentalement. Ce résidu est également une variable
aléatoire, centrée de variance  r2 .
Après réalisation d’un plan d’expérience comportant n points expérimentaux, on a un système
de n équations à p coefficients a i (i=0….20).
y=Xa+e
Avec y : vecteur des réponses ;
X : matrice des effets ;

Proposé par Mr AYDI.A Page 7

 a : vecteur des coefficients ;
e : vecteur des résidus.
Ce système ne peut être résolu directement puisque le nombre d’inconnues est supérieur au
nombre des équations. Il s’agit d’un système de n équations à n + p inconnues (a et e).
L’objectif du phénomène est de trouver un jeu de p coefficients qui résout le mieux possible
le système d’équations.
Considérons l’ième expérience, le résidu ei est la somme de l’erreur d’ajustement du modèle
 i due à l’incertitude sur les paramètres et de l’erreur de mesure,  mi .

ei   i   mi

La variance d’erreur  r2 est proportionnelle à la somme des carrées des écarts, qui s’écrit

sous forme matricielle e t e . Or, cette variance d’erreur est la somme de la variance d’erreur
due à l’incertitude sur les paramètres 2 et de la variance d’erreur de mesure,  m2 .

 r2 = 2 +  m2

La variance d’erreur de mesure,  m2 dépend de l’expérimentation, et ne peut être réduite par

des constructions théoriques. Seule la variance de l’erreur d’ajustement du modèle, 2 , peut

être minimisée pour un jeu de paramètres donné . la recherche du minimum de variance
d’erreur consistera à rechercher le jeu de paramètres minimisant la variance d’erreur,  r2 . Elle

e t e
sera minimale par rapport aux coefficients si : 0
a
La relation représente p équations, c’est-à-dire une par coefficient. On se retrouve alors avec
le système de n+p équations à n+p inconnues, qui peut être résolu :
 y  Xa  e
 t
 e e
 0
 a
La résolution de ce système est :


â= XtX 1
Xty


ê = yX XtX Xty 1

Ces relations permettent d’estimer le jeu de coefficients du modèle ainsi que les résidus, ceci
à partir des facteurs et des réponses mesurées. L’accent circonflexe montre qu’il s’agit de
valeurs obtenues par la méthode de recherche du minimum de variance d’erreur.
Les jeux de coefficients ainsi obtenu est utilisé pour écrire le modèle mathématique. Ce
modèle permet de calculer les réponses dans le domaine d’étude.

Proposé par Mr AYDI.A Page 8

De même, une estimation de la variance de l’erreur de mesure,(  m2 )est, peut être réalisée à

partir de e t e . Pour le jeu de paramètres solution, la variance d’erreur d’ajustement,  , est

petite devant la variance d’erreur de mesure,  m2 . ê est un vecteur a n éléments, donc dans un
espace à priori de dimension n. Cependant, ce vecteur est soumis à p contraintes
correspondant aux p paramètres. Son espace est alors de dimension (n-p). La variance d’erreur
de mesure peut donc être estimée :

 
2
m est 
êt ê
n p
Définition des critères de D-Optimalité

Pour les paramètres, il est défini une région de confiance de niveau α telle que :

a  â t X t X a  â   p t
ê êF ( p, n  p)
n p
La région de confiance correspond à un ellipsoïde centré en â, dont le volume est
t
proportionnel à l’inverse de déterminant de X X . Cette matrice est appelée « matrice
d’information ». le critère de D-Optimalité conduit à une dispersion des points expérimentaux
qui maximise le déterminant de la matrice d’information et donc minimise le volume de
région de confiance sur les paramètres.
Le principe de la D-Optimalité peut être mieux appréhendé si l’on considère la relation
existant entre la variance d’erreur sur les coefficients et la variance d’erreur de mesure.


V (â)   m2 X t X 
1

Dans cette relation, la matrice V(â) est la matrice des variances –covariance des coefficients.
Les variances sont disposées sur la diagonale principale de V(â) et les covariances sont
éléments non diagonaux.
Pour déterminer les variances sur les coefficients du modèle, on est amené à calculer,
l’inverse de la matrice d’information (matrice de dispersion) et donc à utiliser le déterminant
de XtX comme diviseur. Ainsi,, une maximisation du déterminant de la matrice d’information
conduira à une réduction des variances d’erreur sur les coefficients du modèle.

I.8.Utilisations possibles de la méthode des plans d’expériences

Les deux principales utilisations possibles de la méthode des plans d’expériences (MPE)
sont :
 La technique de screening : parmi les facteurs recensés par l’expérimentateur cet
outil permet de déterminer ceux qui ont une influence statistiquement non négligeable

Proposé par Mr AYDI.A Page 9

 sur les variations de la réponse. on procède ainsi implicitement à une simplification
du problème. On cherche pourquoi la réponse varie.

p équations supplémentaires. La plupart du temps cette méthode est basée sur le critère
d’optimisation des moindres carrés.
On obtient ainsi les estimations les plus probables des coefficients que l’on note :
â
Le résultat de ce calcul est :
â = (tX X)-1 t X Y (6)
Formule dans laquelle la matrice tX est la matrice transposée de X.
Deux matrices interviennent constamment dans la théorie des plans d’expériences :
— la matrice d’information t X X ;
— la matrice de dispersion (tX X)-1

II. Différents plans d’expériences

II.1.Plan factoriels complets
Les plans factoriels complets sont des plans à deux niveaux, la matrice des effets X est une
matrice orthogonale d’Hadamard, donc la matrice d’information devient :
t
XX= nI
Ainsi que les éléments de cette matrice sont +1 ou -1.
Un plan comportant k facteurs à deux niveaux est noté 2k :
 le k en exposant signifie qu’il y a k facteurs étudiés ;
 le 2 indique le nombre de niveaux par facteur.
On remarquera que cette notation indique également le nombre d’essais à effectuer.

II.2. Plans factoriels fractionnaires à deux niveaux 2k-q

Les plans factoriels fractionnaires sont des plans à deux niveaux, ils permettent d’étudier tous
les facteurs, ainsi qu’il réduisent le nombre d’essais par rapport aux plans factoriels.
Un plan comportant k facteurs à deux niveaux est noté 2k-q
 le k en exposant signifie qu’il y a k facteurs étudiés.
 le 2 indique le nombre de niveaux par facteur.
 Le plan complet a été divisé par 2q.

Proposé par Mr AYDI.A Page 10

Il y a donc 2q essais à éliminer et 2k essais à retenir pour l’étude, le choix de rejet ou de
rétention de essais n’est possible qu’en connaissant convenablement la théorie des
aliases.

II.2.1. Matrice des aliases

La réalisation de n expériences donnera n équations à p inconnues d’où l’impossibilité de la

résolution de système ayant le modèle suivant :
Y = X a (modèle 1)
(n, 1) (n,p) (p, 1)
Donc on doit le rendre sous cette forme :
Y = Xs ℓ (modèle 2)
(n, 1) (n,n) (n, 1)
Avec
Xs : la matrice qui dépend de l’emplacement des points expérimentaux du plan fractionnaire et
du modèle 2.
ℓ : les contrastes où sont regroupées les nouvelles inconnues.
La décomposition de la matrice X (n,p) donnera la relation existant entre cette dernière et Xs

X= [Xs Xβ]
Xβ : sous matrice de dimension (n,p-n).

Alors Y devient : Y= [Xs Xβ]

Soit Y= Xs aα + Xβ aβ
D’où :

ℓ= aα +(t Xs Xs)-1 tXsXβ aβ

avec tXsXβ aβ : matrice des aliases de dimension (n,p-n).[40]

II.3. Plans de Plackett et Burman

Les plans de Plackett et Burman sont des plans à deux niveaux, la matrice des effets X est
une matrice orthogonale d’Hadamard et les éléments de cette matrice sont uniquement +1
et -1.

Proposé par Mr AYDI.A Page 11

Ces plans utilisent comme modèle mathématiques des polynômes de premier degré sans

interaction. Y= +∑
Ils permettent également l’étude de grand nombre de facteur avec un minimum d’essais.

II.4. Tables de Tagauchi

Tagauchi propose d’organiser les expériences selon les tables qu’il l’appelle L8 ou L16 ou
L27. Les tables de Tagauchi sont des plans factoriels fractionnaires simplifiés dans lesquels
+1 et -1 sont remplacés respectivement par 1 et 2, donc la table L8 par exemple, peut être
considéré comme un plan factoriel fractionnaire 23 ou 24-1 ou 25-2 ou 26-3 ou 27-4.
L’objectif de cette simplification est de rendre ces plans accessibles à un grand nombre
d’expérimentateurs, ces plans sont très utilisés dans le domaine de la qualité. [1-2]

II.5. Plans de Koshal

Les plans de Koshal sont des plans à deux niveaux permettant la détermination directe de
l’effet des facteurs sans évaluation des interactions. Le modèle mathématique est :

Y= +∑
Pour un polynôme de degré d et de nombre de facteurs k, le nombre des coefficients est donné
par la formule :

N=
Qui est égal au nombre de points expérimentaux. [40-43]

II.6.Plans composites
Un plan composite est constitué de trois parties :
 Un plan factoriel à deux niveaux(les points A, B, C et D).
 Au moins, un point expérimental situé au centre du domaine d’étude(le point E).

Proposé par Mr AYDI.A Page 12

Figure I. 3. Plan composite pour deux facteurs

  Des points axiaux ou un plan en étoile (les points F, G, H et I)
Les plans composites sont parfaitement adaptés à l’acquisition progressive des
résultats.

II.7. Plans de Doehlert

Doehlert a proposé une répartition uniforme des points expérimentaux dans l’espace
expérimental.
Pour deux facteurs, tous les points sont à la même distance du centre du domaine
expérimental et sont régulièrement disposés sur le cercle trigonométrique. Ils forment un
hexagone régulier.
Le premier facteur prend cinq niveaux et le deuxième prend trois niveaux, la matrice
représentant ce plan est la suivante :
Tableau I. 1. Matrice de Doehlert

Pour mieux connaître le domaine expérimental, l’expérimentateur peut ajouter des points
d’expériences supplémentaires et retrouve une disposition identique à celle de départ.

Figure I. 4. Plan de Doehlert

Proposé par Mr AYDI.A Page 13

Dans un espace à trois dimensions, la répartition des points expérimentaux est représentée par
une sphère de rayon unité puisque six nouveaux points s’ajoutent aux points de l’hexagone et
chaque point forme avec ses voisins les plus proches un tétraèdre régulier.

FigureI. 5. Disposition des points expérimentaux d’un plan de Doehlert pour trois
facteurs

Pour un plan de Doehlert à trois facteurs, le premier et le deuxième facteur prennent cinq
niveaux, le troisième prend trois niveaux, la matrice correspondante est représentée par le
tableau suivant :

Tableau I. 2. Matrice de Doehlert à 3 facteurs

Proposé par Mr AYDI.A Page 14

 Pour un plan de Doehlert à quatre facteurs, il est difficile de définir les niveaux de chaque
facteur donc il faut utiliser des matrices préparées à l’avance, par exemple la matrice à
quatre facteurs représentée par le tableau suivant
Tableau I. 3. Matrice de Doehlert à 4 facteurs

Cette matrice correspond à vingt et un points régulièrement répartis sur l’hyper sphère à
quatre dimensions de rayon unité.
Les plans de Doehlert permettent d’obtenir des modèles de second degré avec un minimum
d’essais.
Le modèle mathématique utilisé dans ce cas pour l’interprétation des résultats et pour la
construction des surfaces de réponse est un polynôme de second degré avec interaction.

III-EXEMPLE1 :Modélisation de l’extraction par hydro-

distillation en utilisant Excel
III-1 Identification paramétrique
Le plan d’expérience réalisé est un plan de Doehlert de matrice expérimentale X
représentée par le tableau 5, ce plan est destiné à une optimisation expérimentale mais il n’est
pas très bien adapté à une modélisation tout au moins dans un hyper cube, ceci s’avère en
choisissant un critère d’optimalité et en comparant la matrice X à la matrice d’Hadamard.

Proposé par Mr AYDI.A Page 15

Pour couvrir un hyper cube, des expériences sont manquantes. Elles correspondent à celle
d’un plan factoriel complet (plan d’ Hadamard).
On a essayé de trouver un modèle, à partir de la matrice de Doehlert, on a pu ajuster ce
modèle mais en effectuant le test de Fisher on a trouvé que ce modèle n’est pas validé donc on
ne peut pas confirmer que sa qualité prévisionnelle restera bonne dans tout le domaine
d’étude, par la suite il ne peut pas être exploité mathématiquement et graphiquement.
Le modèle était le suivant :
R=0.2711+0.5858X4+0.1541X²11+0.2677X²22-0.5747X²33+0.1270X²44-0.1982X1X2-
0.1976X1X3-0.2420 X2X3-0.0720X2X4
Ce modèle doit être amélioré.
En se basant sur le critère de D-optimalité et en profitant de la possibilité d’ajout de
point dans le plan Doehlert, nous cherchons les points qui maximisent le déterminant de la
matrice d’information MN.
Pour cela 10 expériences ont été ajoutées, la matrice ainsi obtenue comportant 31
expériences (lignes) doit être réparties en 2 matrices, les 2/3 de la matrice doivent être
exploités pour l’identification paramétrique et le 1/3 restant pour la validation du modèle.
L’algorithme utilisé pour extraire 21 expériences D-optimales parmi les 31 est l’algorithme
DETMAX (déterminant maximum), dérivé de l’algorithme itératif à échange double de
FEDOROV. La figure 12 montre l’évolution du déterminant de la matrice d’information de
Fisher en fonction des itérations de l’algorithme DETMAX, plus on effectue des itérations
plus le déterminant augmente.
Le principe est de sélectionner N points parmi Nc points candidats (les points de plan
de Doehlert et les points ajoutés) tel que le plan ait le déterminant de sa matrice d’information
MN le plus grand possible parmi les déterminants de tous les N-plans possibles.

Proposé par Mr AYDI.A Page 16

 6

0
0 2 4 6 8 10

Figure III. 6. Variation de Log (det) en fonction des itérations en utilisant l’algorithme
de DETMAX
4 expériences (22, 23, 24 et 25) supplémentaires ont été ajoutées au centre du domaine
représentant la matrice de répétition et permettent l’évaluation de la variance expérimentale.
Après les itérations l’algorithme de DETMAX nous a permis d’obtenir la matrice de
validation présentée par le tableau 15 et la matrice d’identification présentée par le tableau 16,
ainsi que les vecteurs de réponses correspondant à ces deux vecteurs.
Tableau III.4. Matrice de validation

X1 X2 X3 X4 Y
0,50 0,289 0,204 0,791 0,22%
-0,50 -0,289 -0,816 0 0,27%
0,00 0,000 -0,612 0,791 0,17%
-1,00 0,000 0 0 0,09%
0 -0,408 -0,395 0,3875 0,39%
-0,50 -0,289 -0,204 -0,791 0,08%
-0,50 0,289 0,816 0 0,30%
0 0,408 0,395 -0,3875 0,36%
0,50 0,289 0,816 0 0,34%
0 0 0 0 0,33%

Tableau III.5. Matrice de répétition

X1 X2 X3 X4 Y
0,00 0,000 0,000 0 0,35%
0,00 0,000 0,000 0 0,32%
0,00 0,000 0,000 0 0,33%
0,00 0,000 0,000 0 0,25%

Proposé par Mr AYDI.A Page 17

 Tableau III.6. Matrice d’identification

X1 X2 X3 X4 Y
-1 -0,408 0,395 -0,3875 0 ,33%
1,00 0,000 0 0 0,46%
0,50 0,866 0 0 0,30%
-0,50 0,866 0 0 0,53%
-1 0,408 -0,395 0,3875 0,09%
-0,50 -0,866 0 0 0,21%
0,50 -0,866 0 0 0,35%
1 -0,408 0,395 -0,3875 0,34%
-1 0,408 0,395 -0,3875 0,51%
0,00 -0,577 0,816 0 0,45%
0,50 -0,289 -0,816 0 0,44%
-1 -0,408 0,395 0,3875 0,27%
0,00 0,577 -0,816 0 0,27%
1 0,408 0,37 0,3875 0,22%
-0,50 0,289 0,204 0,791 0,50%
0,00 -0,577 0,204 0,791 0,51%
0 0,408 -1 0,3875 0,17%
0,50 -0,289 -0,204 -0,791 0,14%
1 -0,408 -0,395 0,3875 0,08%
0,00 0,577 -0,204 -0,791 0,33%
0,00 0,000 0,612 -0,791 0,33%

L’identification paramétrique est réalisée suivant la méthode du maximum de

vraisemblance de Fisher, qui correspond ici au minimum de variance. Celle-ci étant faite,
nous pouvons calculer les simulations de chaque expérience des 3 ensembles, d’identification,
de validation et de répétition. Par comparaison avec les mesures, les variances d’erreur des
ensembles d’identification, de validation et de répétition sont évaluées. La variance
d’identification permet de déterminer le domaine de confiance de chacun des paramètres du
modèle. Nous appelons intervalle de confiance réduit d’un paramètre l’intervalle obtenu en
fixant tous les autres paramètres à la valeur de leur estimation.
Un paramètre n’est pas significativement différent de zéro si son intervalle de
confiance réduit est centré sur 0. On appelle réduction de modèle le fait de fixer à 0 le
paramètre dont l’intervalle de confiance réduit est le plus centré sur 0. Pour accepter une
réduction de modèle il faut que la plus grande variance, parmi les 3 d’identification, de
validation et de répétition, n’augmente pas après la réduction. La figure III.2 présente les 3

Proposé par Mr AYDI.A Page 18

variances en fonction du nombre de réductions. La variance d’erreur de mesures est calculée
initialement et est indépendante des réductions.

0,091
0,081
0,071
0,061
validation
0,051
répétition
0,041
identification
0,031
0,021
0,011
0,001
0 1 2 3 4

Figure III. 7. Variation des variances en fonction de la réduction

La variance d’identification étant la moins élevée dés le début, mais la variance de

validation est la plus grande et on veut bien que la variance de répétition soit la plus grande et
ceci n’est réalisé qu’après la deuxième réduction. Lors des réductions de modèle suivant, la
variance d’identification ne fait que diminuer, mais après la troisième réduction elle a
augmenté avec celle de validation donc il faut s’arrêter à ce niveau là.
Le paramètre fixé à 0 est a7, correspondant au carré de facteur X3 lors de la première
réduction,
Le paramètre fixé à 0 est a1, correspondant au facteur X1 lors de la 2ème réduction, ce
facteur étant le pouvoir chauffant est rejeté est ceci s’explique par le fait qu’au cours de
l’extraction la température nécessaire est celle de l’ébullition de l’eau , dès qu’on atteint cette
température ce facteur n’aurait aucune influence.
Le paramètre fixé à 0 est a2, correspondant au facteur X2 lors de la 3ème réduction, ce
facteur étant la durée de l’extraction est rejeté et ceci s’explique par le fait qu’après un
certains temps la quantité de l’HE produite ne varie plus, dans le paragraphe II.4 on va le
prouver en suivant la cinétique de l’extraction.
Le paramètre le plus significatif (dont l’intervalle de confiance est le moins centré sur
0) est a3, correspondant au rapport matière végétale /eau, c.à.d. le rendement varie d’une
façon linéaire avec ce facteur et puisque l’effet est positif on peut dire que plus ce rapport est
grand meilleur est le rendement.

Proposé par Mr AYDI.A Page 19

 Le paramètre a4 qui correspond à la granulométrie est l’un des paramètres les plus
significatifs et il varie linéairement avec le rendement et puisque l’effet est positif on peut
remarquer que le broyage améliore le rendement puisqu’il augmente la surface de contact de
la MV avec l’eau.
Le tableau qui suit présente les valeurs des paramètres et leurs intervalles de confiance (min
et max).
Tableau III.7. Les coefficients estimés pour le plan de Doehlert

Effet P estimé min max

a0 0,4637 0,1343 0,7932
a3 X3 0,095 -0,215 0,4052
a4 X4 0,1098 -0,2505 0,4703
a5 X1² -0,0546 -0,485 0,3757
a6 X2² -0,1469 -0,6486 0,3548
a8 X4² -0,0685 -0,5809 0,4494
a9 X12 -0,2089 -0,8993 0,4798
a10 X13 0,0613 -0,2317 0,3544
a11 X14 0,1935 -0,4641 0,8512
a12 X23 0,0775 -0,607 0,7621
a13 X24 -0,1026 -0,7417 0,5365
a14 X34 0,1187 -0,7469 0,9843

III.2. Validation du modèle

Pour valider le modèle nous utiliserons les tests de Fisher Snedecor et de Student.
Dans le cas du test de Fisher Snedecor, nous comparerons les variances d’erreur des
ensembles d’identification, de validation et de répétition à la variance d’erreur de mesure,
ainsi qu’entrent-elles.

I.2.1. Test de Fisher

Le test de Fisher Snedecor permet de vérifier si deux erreurs indépendantes sont bien
du même ordre de grandeur, ce qui doit être réalisé quelque soit les ensembles de données
comparées si le modèle est exact.
Les tests de Fisher Snedecor et de Student utilisés l’ont été à 90% (et non à 95% comme
usuellement), ce qui veut dire que ces tests ont un risque de 10% de rejeter le modèle par
erreur.

Proposé par Mr AYDI.A Page 20

 Pour les 2 types de test, l’intervalle de confiance est formé d’une valeur minimale et
d’une valeur maximale. Dans les 2 cas, le risque de 10% se décompose en un risque de 5% à
gauche et un risque de 5% à droite. Le tableau qui suit présente 3 rapports de variances.
Deux colonnes indiquent les degrés de liberté du numérateur (gauche) et du
dénominateur (droite), elles sont suivies de la valeur de chaque rapport et de son intervalle de
confiance. Les 3 valeurs sont comprises dans leur intervalle de confiance, donc aucun de ces
tests de Fisher Snedecor ne permet de rejeter le modèle.
Tableau III.8. Test de Fischer Snedcor

rapports degré de liberté rapport minimum maximum

validation/identification 10 8 2,3389 0,2985 3,35
répétition/identification 10 5 0,9213 0,2109 4,74
validation/répétition 8 5 0,3939 0,2074 4,82

I.2.2.Test de Student

Le test de Student permet de vérifier s’il existe ou non des données aberrantes. Il s’agit
d’un test local par rapport au test de Fisher Snedecor qui est global pour deux ensembles de
données. Ici l’intervalle de confiance est obtenu à partir de l’ensemble d’identification, ce qui
exclue de l’appliquer à ces mêmes données (non indépendance).
Dans la figure qui suit les mesures sont portées sur l’axe vertical et les simulations sur
l’axe horizontal. Les 2 traits obliques correspondent à l’intervalle de confiance (à 90%) et les
points aux 3 ensembles d’identification, de validation et de répétition. Nous constatons
qu’aucun point n’est en dehors du domaine. Compte tenu du risque choisi, il aurait été
théoriquement possible que 10% des points soient en dehors du domaine de confiance, ce qui
n’est pas le cas ici d’après la figure III.3.
Finalement, aucun des tests de Fisher Snedecor ou de Student ne permet de rejeter le modèle,
nous le considèrerons donc comme validé.

Proposé par Mr AYDI.A Page 21

 Figure III. 8. Test de Student
Ce qui nous permet le traçage des courbes des isoréponses représentées par la figure III.4.

Figure III. 9. Courbes des isoréponses

Proposé par Mr AYDI.A Page 22

VI- Exemple 2 : Etude d’optimisation avec CCD en utililisant NEMRODW

Optimisation de l’extraction de Pistacia Lentiscus afin de calculer le coût de fabrication

du produit :
I.6 Etablissement du modèle Rendement
La matrice de calcul est une matrice de (29,15) puisqu’il y a 29 essais et 15 coefficients dans
le modèle postulé. Les résultats des essais sont entrés dans l’ordinateur et celui-ci retourne les
coefficients.
En pratique, on suppose que les interactions d’ordre supérieur ou égal à trois sont
négligeables. En effet, ces interactions sont très fréquemment non significatives dans
l’analyse de variance et peuvent difficilement être interprétées par l’expérimentateur.
Les coefficients de ce modèle quadratique sont calculés à l’aide d’un calcul matriciel à l’aide
d’un logiciel appelé NEMRODW et la validité du modèle polynomial va être par la suite
étudiée au moyen du même logiciel
La caractéristique du problème étudié est illustrée dans le tableau à savoir :
Objectif de l’étude Etude dans un domaine expérimental: Surface de Réponses
Nombre de variables 4
Nombre d’expériences 29
Nombre de coefficients 15
Nombre de réponses 1

II Analyse globale du modèle :

L’analyse statistique du modèle conduit en premier temps à la table d’analyse de la variance
suivante. Le modèle permet de décrire la variation des résultats d’essais si la valeur de
significativité est inférieure à 5%, on se référant au tableau ci-dessous, la significativité est
décrit par trois étoiles, ce que veut dire qu’elle est inférieur à 0,1%, alors on peut affirmer que
notre modèle permet de décrire correctement la variation des résultats d’essais.
Source de Somme des Degrés de Carré Rapport Signif
variation carrés liberté moyen
Régression 1.9915 14 0.1422 31.5587 ***
Résidus 0.0631 14 0.0045
Validité 0.0260 10 0.0026 0.2800 95.3%
Erreur 0.0371 4 0.0093
Total 2.0546 28

Tableau1 : analyse de la variance

Proposé par Mr AYDI.A Page 23

Une analyse plus fine, conduit à un tableau d’analyse de régression qui permet d’établir le
coefficient de détermination R2, ce coefficient traduit la contribution du modèle dans la
restitution de la variation de la réponse observée. Par définition, R² appartient à
L’intervalle [0-1] :

² ( )

Suite à la présence de plusieurs variables explicative, il faut impérativement éviter d’utiliser le

coefficient de détermination R2 pour estimer la qualité descriptive du modèle. Il faut recourir
à l’utilisation du coefficient de détermination ajusté R2 ajusté :

² é

Avec , le nombre d’exp rience e p le coefficien à e imer d n le modèle.

Plus les valeurs de R2 et R2 ajusté sont proches de 100%, plus la qualité descriptive du
modèle est satisfaisante.
Un autre coefficient permet de décrire la capacité prédictive du modèle, appelé R2 pred donné
par la formule suivante :

² pred ( )

La valeur de R2 pred est toujours comprise entre 0 et 1, plus cette valeur est proche de 1, plus
la capacité prédictive du modèle est bonne.
D’après les résultats du test statistique et qui sont illustrés dans le tableau ci-dessous, on peut
dire que le modèle présente une qualité descriptive satisfaisante puisque les valeurs de R2
(0,969) et R2 ajusté(0,939) sont proches de 1.
Quant à R² pred, on peut constater que la capacité prédictive du modèle est acceptable avec
une valeur de 0,913.

Ecart Type de la réponse 0.0671

R2 0.969
R2A 0.939
R2 pred 0.913
PRESS 0.179
Nombre de degrés de liberté 14

Tableau 2 : analyse de régression

Proposé par Mr AYDI.A Page 24

II.1 Analyse statistique de coefficients et de résidus :
II.1.1 Analyse statistique de coeficients :
On vise par cette analyse, à savoir s’il existe des coefficients qui ne sont pas influents, c’est-à-
dire qui ne présentent aucun effet sur chacune des réponses. Une une fois où il existe un ou
plusieurs coefficients non influents sut toutes les réponses, on peut l’écarter du modèle
mathématique afin de le simplifier et améliorer sa qualité.
Les valeurs estimées des coefficients du modèle ainsi que la significativité sont données
dans le tableau (3). On peut constater que les coefficients b4, b22, b33,b13 et b14 ne sont pas
influents sur la réponse puisque la valeur de la significativité pour ces Coefficients est
supérieure à 5%.
Encore, un autre facteur qui semble utile de l’analyser, c’est le facteur de l’inflation, son
augmentation contribue à la diminution de la qualité de l’information. On peut dire qu’une
matrice d’expériences apporte l’information désirée si le facteur d’inflation reste le plus
proche de 1.
En analysant la troisième colonne du tableau (3), il ressort que la plupart valeurs sont égales à
1 avec quelques une qui prennent la valeur de 2,64.

Nom Coefficient F.Inflation Ecart-Type t.exp. Signif. %

b0 0.7075 0.0219 32.24 ***
b1 0.2087 1.00 0.0158 13.19 ***
b2 -0.1113 1.00 0.0158 -7.04 ***
b3 0.1308 1.00 0.0158 8.26 ***
b4 0.0283 1.00 0.0158 1.79 9.2%
b11 0.2030 2.64 0.0418 4.86 ***
b22 0.0330 2.64 0.0418 0.79 44.8%
b33 0.0620 2.64 0.0418 1.48 15.7%
b44 -0.1220 2.64 0.0418 -2.92 *
b12 -0.0590 1.00 0.0168 -3.52 **
b13 0.0010 1.00 0.0168 0.06 95.2%
b23 0.1097 1.00 0.0168 6.54 ***
b14 0.0338 1.00 0.0168 2.01 6.2%
b24 0.0500 1.00 0.0168 2.98 **
b34 -0.0725 1.00 0.0168 -4.32 ***

Tableau(3) : Estimations et statistiques des coefficients

Après avoir écarté les coefficients non influents, l’équation du modèle prend la forme
suivante :

Proposé par Mr AYDI.A Page 25

y  0.7075  0.2087 X 1  0.1113 X 2  0.1308 X 3  0.203 X 12  0.122 X 42  0.059 X 1 X 2
 0.1097 X 2 X 3  0.05 X 2 X 4  0.0725 X 3 X 4
II.1.2 Analyse des résidus:
Par définition, les résidus sont les écarts entre les réponses calculées et les réponses simulées.
Ils sont regroupés dans la quatrième colonne (différence) du tableau(4) :
N° Yexp. Ycalc. Différen Normée dU Student- R- D-Cook
Exp ce R Student
1 0.149 0.659 0.0084
0.7000 0.6900 0.0100 0.2550 0.2463
2 0.509 0.659 0.0976
1.1900 1.1558 0.0342 0.8711 0.8632
3 - -0.236 0.659 - - 0.0210
0.2500 0.2658 0.0158 0.4037 0.3913
4 - -0.382 0.659 - - 0.0551
0.4700 0.4957 0.0257 0.6544 0.6404
5 0.074 0.659 0.0020
0.8800 0.8751 0.0049 0.1261 0.1216
6 - -0.669 0.659 - - 0.1685
1.3000 1.3449 0.0449 1.1445 1.1583
7 0.151 0.659 0.0086
0.9000 0.8899 0.0101 0.2578 0.2490
8 0.511 0.659 0.0983
1.1580 1.1237 0.0343 0.8740 0.8661
9 - -0.062 0.659 - - 0.0015
0.7200 0.7242 0.0042 0.1062 0.1024
10 - -0.372 0.659 - - 0.0523
1.3000 1.3250 0.0250 0.6374 0.6233
11 0.447 0.659 0.0753
0.5300 0.5000 0.0300 0.7649 0.7530
12 0.375 0.659 0.0530
0.8900 0.8648 0.0252 0.6417 0.6276
13 0.161 0.659 0.0097
0.6300 0.6192 0.0108 0.2748 0.2655
14 0.684 0.659 0.1766
1.2700 1.2241 0.0459 1.1714 1.1886
15 - -0.060 0.659 - - 0.0014
0.8300 0.8341 0.0041 0.1034 0.0997
16 - -0.371 0.659 - - 0.0518
1.1780 1.2029 0.0249 0.6345 0.6204
17 - -0.622 0.491 - - 0.0489
0.6600 0.7018 0.0418 0.8722 0.8643
18 - -0.285 0.491 - - 0.0102
1.1000 1.1191 0.0191 0.3991 0.3868
19 - -0.473 0.491 - - 0.0283
0.8200 0.8518 0.0318 0.6635 0.6497
20 - -0.434 0.491 - - 0.0237
0.6000 0.6291 0.0291 0.6078 0.5936

Proposé par Mr AYDI.A Page 26

 21 - -0.427 0.491 - - 0.0230
0.6100 0.6387 0.0287 0.5986 0.5843
22 - -0.480 0.491 - - 0.0291
0.8680 0.9002 0.0322 0.6728 0.6591
23 - -0.106 0.491 - - 0.0014
0.5500 0.5571 0.0071 0.1486 0.1433
24 - -0.801 0.491 - - 0.0810
0.5600 0.6138 0.0538 1.1227 1.1342
25 - -0.707 0.107 - - 0.0045
0.6600 0.7075 0.0475 0.7479 0.7356
26 1.378 0.107 0.0170
0.8000 0.7075 0.0925 1.4585 1.5262
27 - -1.303 0.107 - - 0.0151
0.6200 0.7075 0.0875 1.3783 1.4286
28 1.676 0.107 0.0251
0.8200 0.7075 0.1125 1.7737 1.9411
29 1.676 0.107 0.0251
0.8200 0.7075 0.1125 1.7737 1.9411

Tableau (4) :les résidus :

L’examen graphique des résidus est une méthode couramment employée pour identifier les
données suspectes, on porte la valeur des résidus en fonction des réponses prédites (y-calculé)
(figure1).
Les valeurs de résidus sont très faibles. Cette marge de variation apparait petite, ce qui veut
dire que rien d’anormal n’apparait sur ce graphique. En fait, la figure (1) révèle une normalité
satisfaisante des résidus, avec une dispersion autour de zéro qui semble constante.

Figure (1) : Diagramme des résidus pour la réponse Rendement.

Proposé par Mr AYDI.A Page 27

On utilise généralement la méthode graphique de Henry (figure 2), pour expliquer au mieux
la variation des réponses.
Chaque point de la figure (2) représente la valeur du résidu en un point du plan d’expériences
on peut dire que les résidus suivent une distribution normale si les points sont presque alignés
dans un graphe ―gausso-arithmétique‖.
Le graphique montre clairement que les points sont alignés tout en représentant une droite.

Figure (2) : droite de la probabilité en fonction des résidus.

Les autres colonnes proposées par le logiciel NEMRODW pour le tableau (4) évaluent la
différence entre les réponses mesurées et simulées (colonne Différence) et font subir un
certain nombre de transformations à ces valeurs pour les rendre statistiquement plus faciles à
interpréter (par exemple tout résidu dit ‖studensité‖ supérieur à 2 en valeur absolue traduit un
défaut d’ajustement important).
D’après la huitième colonne du tableau (4), l’ensemble de valeurs est inférieur en absolu à 2
ce qui réfute l’hypothèse d’un défaut d’ajustement.
Après l’examen préliminaire des résidus studentisés, ils seront ensuite tracés en fonction de la
valeur de la réponse calculée : cela permettra de vérifier que la variance expérimentale reste
constante quelles que soient les valeurs de la réponse.
La variance expérimentale provient éventuellement de plusieurs sources comme les erreurs
de mesures et la variabilité des résultats quand une expérience identique est reproduite.
Les résidus doivent être distribués aléatoirement autour de zéro, et ne pas dépendre de la
valeur de la réponse. Si une tendance apparaît, comme par exemple une augmentation de la
valeur absolue des résidus avec la réponse, une vérification de l’expérience est nécessaire.
On représente sur la figure (3) les valeurs des résidus studentisés en fonction des réponses
calculées

Proposé par Mr AYDI.A Page 28

Figure (3) : R-student en fonction de Y calculé.
Le tracé du graphique montre la normalité des expériences du plan, rien ne semble atypique.
les valeurs de résidus varient entre -1.6 et 1.6, ce marge de variation apparait petite et
acceptable.
Pour affirmer au mieux les résultats interprétés par les résidus studentisés, une exploitation de
la droite d’henry est nécessaire.
Le graphique (4) montre l’alignement des points formant ainsi une droite, ce qui peut être
expliqué par l’expérimentateur à la normalité des erreurs.

Figure (4) : droite de la probabilité en fonction de R-student.

II.2 Tracé des surfaces de réponse et des courbes d’isoréponses :

Le domaine expérimental étant défini à partir de la variation de quatre facteurs, il est difficile
de restituer de façon simple la variation de réponse. On a donc fait appel, à l’un de principales
caractéristiques du plan d’expérience, c’est la possibilité de matérialiser les résultats sous

Proposé par Mr AYDI.A Page 29

forme graphique. Ces graphiques à titre explicatif, sont des coupes et des projections qui
consistent à fixer un niveau donné à certains facteurs.
Pour la construction de ce graphique, nous utiliserons le logiciel NEMRODW. L’analyse
graphique du modèle consiste essentiellement à restituer l’équation de ce dernier sous deux
formes : les surfaces de réponses et les courbes iso-réponses.
En fait, l’étude de l’influence des conditions opératoires sur les réponses se fait en fixant
deux facteurs et variant entretemps, les deux autres restants.[karam-sandrine].
Les surfaces de réponses sont reportées sur les figures (5) et (6). Il ressort que lorsqu’on fixe
le débit en 0.9kg/h(X3=0) et le temps statique en 30min (X4=0), le rendement d’extraction est
maximale Y = 1.3% .
Il est bien clair que le rendement atteint son maximum en mettant X1, soit proche de 1 (masse
volumique 857.2kg/m3), et X2 soit proche de -1 (granulométrie 220µm).

Variation de la réponse - rendement dans le plan : masse volumique, granulo

FACTEURS FIXES : - débit = 0.9 kg/h - temps stat = 30 min
Figure (5) : Surface de réponses pour X1 et X2.

Proposé par Mr AYDI.A Page 30

 Figure (6) :Courbe d’iso-réponse pour X1 et X2

La variation à chaque fois de deux facteurs et la fixation de deux autres à leur centre du
domaine, pour visualiser l’effet de chacun d’eux, fait l’objet de cette partie. Comme il était le
cas dans le paragraphe précédent, on va fixer cette fois, le facteur X2 à 0 (435µm) et X4
à 0 (30min) tout en maintenant X1 et X3 varient.
D’après les analyses graphiques (7 et 8), on peut dire que le rendement est maximale Y=1.3%
pour X1 et X3 sont proche de 1 ca veut dire on a intérêt de travailler avec une forte pression et
un débit élevé.

Variation de la réponse - rendement dans le plan : masse volumique, débit

FACTEURS FIXES :- granulo = 435 µm - temps stat = 30 min
Figure (7) : Surface de réponse pour X1 et X3

Figure(8) : Courbe d’iso-réponse pour X1et X3

L’étape suivante consiste à éudier l’effet de deux facteurs X3et X4 , on doit donc fixer X1 à 0
(567.55kg/h) et X3 à 0 (0.9kg/h).

Proposé par Mr AYDI.A Page 31

Les graphiques(9 et 10), affichent un rendement maximale Y=0.727pour une valeur de X3
égale à 0.7 (0.75kg/h), quant au facteur X4, il parait non influent sur le résultat et cela explique
bien la raison pour la quelle on a écarté le paramètre X4 qui n’a pas d’influence sur le modèle
en etreme lineaire alors que il influ legerement en terme quadratique.

Variation de la réponse - rendement dans le plan : débit, temps stat

FACTEURS FIXES : - masse volumique = 567.55 kg/m3 - granulo = 435 µm
Figure (9) : surface de réponse pour X3 et X4.

Figure (10) : courbe d’iso-réponse pour X2 et X3

On termine enfin, par l’interprétation de graphiques (11 et 12). On fixe les facteurs X1 à 0
(567.55) et X4 à 0 (30min) tout en suivant la variation de X2 et X3.
Ces graphiques révèlent un maximum de Y= 0.918%, cet optimum est atteint pour une valeur
de X2 comprise dans l’intervalle [-0.8 ;1] et X3 doit être proche de 1.

Proposé par Mr AYDI.A Page 32

 Variation de la réponse - rendement dans le plan : granulo, débit
FACTEURS FIXES : - masse volumique = 567.55 kg/m3 - temps stat = 30 min
Figure (11) : surface de réponse pour X3 et X2.

Figure (12) : courbe d’iso-réponse pour X3 et X2

Recherche de l’optimum :
Analyse canonique :

La démarche classique qui est basé en général sur l’utilisation des représentations graphiques
sous la forme de courbes d’isoréponses est excessivement lourde, il est donc nécessaire de
trouver d’autres outils d’aide à l’interprétation à l’instar de l’analyse canonique. Cet analyse
consiste à exprimer le modèle correspondant dans un repère particulier des axes de symétrie
(SZj), translaté et tourné relativement au repère général originel.
L’opération consiste alors à effectuer une translation du repère original des variables (OXj)
amenant son origine O au centre de la conique S (point stationnaire). Ce nouveau repère
possède des axes associés aux variables Z1, Z2, Zk, qui sont appelés également les axes
principaux du système de réponse.
L’équation du modèle va prendre la nouvelle forme suivante :

Proposé par Mr AYDI.A Page 33

 ∑ ∑ m m ∑

Avec Ys, la valeur de la réponse calculée au point stationnaire S.

Dans cette équation, la grandeur qui va bien nous intéresser c’est , appelée valeur propre .
Le signe de valeurs propres nous apporte beaucoup de renseignements sur la nature de points
stationnaires.
- Dans le cas ou les valeurs propres sont toutes positives, le point stationnaire est
considéré comme un minimum, plus clairement, tout déplacement à partir de ce point
dans n’importe quelle direction entrainera une augmentation de la réponse.
- Pour le cas ou les valeurs propres sont négatives on parle d’un point stationnaire
maximum, c’est-à-dire tout déplacement à partir de ce point dans n’importe quelle
direction se suivra d’une augmentation de la réponse.
- enfin, le dernier cas à signaler c’est d’avoir de valeurs propres de signes différents.
Ici, on parle d’un point stationnaire de sell (minimax), tout déplacement à partir de ce
point permettra la diminution ou l’augmentation de la réponse suivant la direction choisie.
Coordonnées du point stationnaire S :
Les coordonnées du point stationnaire peuvent être obtenues de la manière suivante, en
annulant les dérivés du rendement par rapport aux facteurs étudiés :

. . .

. . . .

. . .
→
. . .

Pour les facteurs qui ne s’annulent pas par la dérivation, ils prennent ainsi la valeur limite du
domaine d’étude soit 1 ou bien -1, suivant le signe de leurs coefficients.

Proposé par Mr AYDI.A Page 34

Enfin, les coordonnées du point stationnaire sont : X1S= 0.98 ; X2S =-0.9 ; X3S = 0.9et X4S
=0.5
La valeur calculée en ce point nous détermine le rendement optimal noté Yopt qui est égale à
1.6.
La transformation canonique du modèle permet d’obtenir l’équation suivante :
Y1 = 0.7075 +0.2160 Z1 +0.0780 Z2 -0.1282 Z3 +0.0683 Z4
+0.2092 Z1² +0.1020 Z2² +0.0028 Z3² -0.1381 Z4²
Comme notre modèle comporte de valeurs positives et négatives, le point stationnaire
correspond à un minimax.
Le passage du système d’axes OXj au système SZj est illustré par les relations à
savoir :

X1 = 0.980 Z 1 +0.167 Z 2 +0.089 Z 3 -0.066 Z 4

X2 = -0.181 Z 1 +0.554 Z 2 +0.781 Z 3 -0.224 Z 4
X3 = -0.075 Z 1 +0.813 Z 2 -0.528 Z 3 +0.233 Z 4
X4 = 0.044 Z 1 -0.057 Z 2 +0.322 Z 3 +0.944 Z 4
Et inversement, le retour du système SZj vers OXj est décrit par l’ensemble des équations
suivantes :
Z 1 = 0.980 X1 -0.181 X2 -0.075 X3 +0.044 X4
Z 2 = 0.167 X1 +0.554 X2 +0.813 X3 -0.057 X4
Z 3 = 0.089 X1 +0.781 X2 -0.528 X3 +0.322 X4
Z 4 = -0.066 X1 -0.224 X2 +0.233 X3 +0.944 X4
La recherche de la zone optimale dans le domaine d’étude est faite en analysant l’évolution du
rendement de l’extraction, lorsqu’on se déplace le long des axes SZj.
Cette évolution est illustrée par les équations suivantes :
Y1= 0,397 + 0,063Z1²
Y1=0,397 + 0,069Z2+ 0,002Z2²
Y1=0,397 + 0,149Z3+ 0,006Z3²
Y1= 0,397 – 0,152Z4²
Ces équations sont représentées graphiquement dans la figure x
L’évolution d’Y1 le long des axes SZk est schématisé par la courbe 1 de la figure x , la
maximisation de Y1 exige qu’on attribue le niveau ± 1 à Z1, quant à l’axe Z2 on l’attribue le
niveau 1 pour avoir le maximum du rendement, aussi l’axe Z3 doit porter le même niveau 1 et
on termine avec l’axe Z3, qui doit se centrer au niveau 0.

Proposé par Mr AYDI.A Page 35

 Figure 13

Proposé par Mr AYDI.A Page 36