Introduction Modèles et plan Plan Composites Centrés Surface de réponse

Plans pour surfaces de réponses

François Husson
UP de mathématiques appliquées

Agrocampus Ouest

1 / 24
Introduction Modèles et plan Plan Composites Centrés Surface de réponse

Modèle de régression linéaire simple

Dénition du modèle :
 ∀i = 1, ..., n Yi = β0 + β1 xi + εi


∀i = 1, ..., n εi i.i.d. , E(εi ) = 0, V(εi ) = σ 2

∀i 6= k cov (εi , εk ) = 0


Estimation de β et β par moindres carrés :

0 1

n 
X 2
arg min Yi − (β̂0 + β̂1 xi )
(β̂0 , β̂1 ) i=1
P
Dériver pour obtenir β̂ = Ȳ − β̂ x̄ et β̂ =
0 1 1
(xi −x̄)(yi −ȳ )
iP
2
i (xi −x̄)

σ2 σ2
V(β̂1 ) = P =
i (xi − x̄)
2
(n − 1)V(x)
⇒ variance faible si n grand et si les x sont très dispersés
2 / 24
Introduction Modèles et plan Plan Composites Centrés Surface de réponse

Modèle de régression linéaire multiple

Sous forme indicée :

 ∀i = 1, ..., n Yi = β0 + β1 xi 1 + ... + βp xip + εi



∀i = 1, ..., n εi i.i.d. , E(εi ) = 0, V(εi ) = σ 2

∀i 6= k cov (εi , εk ) = 0


Matriciellement :
Y = Xβ + E avec E(E ) = 0, V(E ) = σ Id 2


β0
1 x
     
Y1 11 · · · x1j · · · x1p  ε1
..  .. .. .. ..   β1   .. 

.  . . . .   .   . 
 
  ..  
 
1 xi
   
 Yi = 1 xij xip   βj  + 
   εi 
.. .. .. .. ..   .. 
   
. . . . .  .  
 ..  . 
    
  
Yn 1 xn 1 · · · xnj · · · xnp εn
βp
3 / 24
Introduction Modèles et plan Plan Composites Centrés Surface de réponse

Estimation des paramètres du modèle

Critère des moindres carrés

n
X
β̂ = arg min (yi − (β0 + β1 xi 1 + . . . + βp xip ))2
β
i=1
= (X X ) 0 −1 0
XY si X 0 X est inversible
Propriétés

E(β̂) = β
V(β̂) = (X 0 X )−1 σ 2

Prédiction

ŷi
= β̂0 + β̂1 xi 1 + . . . + β̂j xij + . . . + β̂p xip
V(Yxo ) = σ 2 1 + x00 (X 0 X )−1 x0

4 / 24
Introduction Modèles et plan Plan Composites Centrés Surface de réponse

Démarche en plan d'expériences

Facteurs :
• x : température de cuisson (120o à 140o )
1

• x : durée de cuisson (40 à 60 minutes)

2

Variable d'intérêt Y : moelleux de pain de mie

• Quels sont les eets des facteurs x1 et x2 ? Quel est le rôle des
variables dans la variation de la réponse ?
• Optimalité : y a-t-il des paramètres qui optimise la variable Y ?
⇒ on veut une réponse avec le minimum d'incertitude

5 / 24
Introduction Modèles et plan Plan Composites Centrés Surface de réponse

Modèle pour des surfaces de réponse

Yi = β0 + β1 xi 1 + β2 xi 2 + β11 xi21 + β22 xi22 +β12 xi 1 xi 2 + εi

eets linéaires eets quadratiques interaction

Eets quadratiques : très souvent présents en pratique

10
8
Appréciation
6
4
2
0

40 45 50 55 60
Temps de cuisson

Interaction entre 2 variables quanti : l'eet d'une variable x sur Y 1

dépend d'une autre variable x 2

6 / 24
 3
-410 3
-4 1
Introduction Modèles et plan -6 Plan Composites
1
Centrés -6 5
X2
Surface de-1 réponse
1
X2
-1 -8 X2
-8 0 -1
-10 -3
-10 -3
-5
-5 -4 -3 -3
-5 -4 -3 -2 -1 0 -5

Surfaces de réponses pour deux facteurs xA)1 y et

-2 -1 0 -5 -5 -4 -3 1 2 3
1 2 3 -2 -1 0 4

x2 4 X1 5 -5
X1 5 1 2 3
4 5
X1

A) = x +x y = x1 + x 2 B) y = x11+ x2 2+ x 2
2

10 35 40
35 40 60
8 30
30 30
30
6 50
25 25 20
4 20
2 20 40
10
20 10
Y Y
0 5 YY 15 5
5 Y 15 55
Y 0 Y
-2 5 0 30 3 5
3 3
3 10 3 -10
10
-4 3 -10 1 3
1 1 20
1 5 1
-65 1X2 X2 -20 -1 1X2
X2 -1 -20 -1 X2
-1 -8 X2 -1 X2
0 -1 0 10 -3 -1
-3 -3 -30
-10 -30
-3 -5-5 -3 -5 -4 -3
-5-5 -4 -3 -4 -3 0 -2 -1 0 -5 -3
-5 -4 -3
-2 -1 0
1 2 3 -5 -5 -4 -3 -2 -1 0 1 2
-5 1 2 3 4
-2 4 5 -2 -1 0 3 4 5 -5 -5 -4 -3X1 5
X1 -1 0 1 2 -5 X1 1 2 3 -2 -1 0 -5
3 4 5 4 5 1 2
X1 3 4 5
X1 X1
A) yy ==xx 1++xx +2 x 2
B) y =yx=1 +x1x+2 x+2 x+1xx22
C) B)
2
D) yy == xx11++xx22 ++xx11x2 +
C) 2 x
2
1 2 2 2

40 60 30
60 30 0
-4
30 -8
50 20 -12
50 20 -16
20 -20
40 10 -24
40 10 -28
10 -32
Y -36
5 Y 0 -40
5
Y 0
30 YY 30
0 5 5 Y -44 5 Y
3
3 5 -48 5
3
-10 1 3 3 3 -10 -52
1 20
-10 -56 3
20 -60 1
1 1
X2 -20 -1 1X2 -64 1 X2
-1 -20 -68 -1
10 X2 -20
10 -1 -1 X2 X2 -72 X2
-30 -3 -1 -76 -1
3 -3
-5 -4 -3 -3 -3 -30 -80
-2 -1 0 -3 -300 -84
0 1 -5 -5
-88 -4 -3 -3
2 3 4 -5-5 -4-4-3 -2 -1 0 -5
-5 -4 -3 X1 5 -3-2-2-1-1 0 -5 -5 -5 -4 -3 1 2
-2 -1 0 -5 0 1 1 2 23 -2 -1 3 4 5
1 2 3 34 45 5 X1 0 1 2
-5
4 5 X1X1 3 4
X1 X1 5

C) yy == xx 1 +
D) + xx 2 ++ xx 12x+2 x 2 E)D)y y= =x 1x+1 +
x 2x+2 +
2
x 12x − + 22x 22
1 x
E)F)y y= =x 1.5
1+x x 2x+ x−12x−2 x−22x 2
1 2 1 2 1 2 1 2

7 / 24
Introduction Modèles et plan Plan Composites Centrés Surface de réponse

Construction d'un plan continu

Problème : optimiser une recette de galette pour minimiser le

nombre de galettes qui se déchirent (Y ). 2 facteurs quantitatifs, la
quantité de farine (entre 45 % et 55 %) et la température de
cuisson (entre 180 et 220 degrés), étudiés selon un plan en 10 essais

Modier les valeurs de F et F pour que la prévision de Y en tout

1 2

point soit la plus précise possible

https://husson.github.io/img/plan_CC.xlsx

8 / 24
Introduction Modèles et plan Plan Composites Centrés Surface de réponse

Qualité d'un plan

V(β̂) = (X 0 X )−1 σ 2
⇒ qualité du plan connue avant de faire les expériences
• essais au bord du domaine : maximiser la dispersion des x
• essais au centre : tester la linéarité
2
• orthogonalité entre facteurs : si 2 facteurs, V(β̂1 ) = n×(1−rσ12 )V(x1 )
Si r = 0 ⇒ V(β̂ ) = V(β̂ )(regsimple) sinon V(β̂ ) %
12 1 1 1

35
35

30
30

25
25

20
20

15

120 125 130 135 140 120 125 130 135 140
Température Température

9 / 24
Introduction Modèles et plan Plan Composites Centrés Surface de réponse

Codage

x − (xmax + xmin )/2

xnew = =⇒ xnew ∈ [−1, 1]
(xmax − xmin )/2

• permet de s'aranchir des unités

• plans faciles à construire (tables de plan)
• interprétation facile des coecients du modèle

 Y(0) = β0
Y = β0 + β1 x + β11 x 2 Y = β0 + β1 + β11
 (+1)
Y(−1) = β0 − β1 + β11
• β0 : valeur de Y au centre du domaine
• β1 : Y(+1) − Y(−1) = 2β1 =⇒ β1 = Y(+1) −Y
2
(−1)

Y(+1) +Y(−1)
• β11 : Y(+1) + Y(−1) = 2β0 + 2β11 =⇒ β11 = 2
− β0
10 / 24
Introduction Modèles et plan Plan Composites Centrés Surface de réponse

Interprétation des coecients en régression quadratique

Y = β 0 + ∑ β j x j + ∑ β jj x 2j + ∑ β jk x j x k + ε
j j j ≠k

Y
y(0) β 0 = y( 0 )

y(1) − y( −1)
β11 = − β0 y(1)
2
y(1) − y( −1)
β1 =
2
y(-1)

x
-1 0 1

11 / 24
Introduction Modèles et plan Plan Composites Centrés Surface de réponse

Interpretation des coecients en régression quadratique

Yy ~=1 1+ +
x x Y =y ~−-0.8
0 . 8++x^2x ++x x 2
2.0

0.0 0.5 1.0

1.5

I(-0.8 + x^2 + x)
I(1 + x)

1.0

β 0 = y( 0 )
0.5

y(1) − y( −1)

-1.0
β11 = − β0
0.0

-1 0 1 -1 0 1
2
Yy ~=0.5 x2
0 .*5x^2 Yy ~=-2−* 2x^2
x2
-2.0 -1.5 -1.0 -0.5 0.0
y(1) − y( −1)
β1 =
1.0

2
0.5
I(0.5 * x^2)

I(-2 * x^2)
0.0
-0.5

-1 0 1 -1 0 1

12 / 24
Introduction Modèles et plan Plan Composites Centrés Surface de réponse

Construction d'un plan composite centré à k facteurs

• Plan factoriel complet ou
fractionnaire nf = 2k−p Exemple avec 2 facteurs
• Points en étoile avec
√ 1/4
1 1
 
α = 4 nf = nf
• Points au centre
 1 −1 
−1 1
 

Nb d'expériences : 2k−p + 2k + n 1 1
 
0 
 √ −
√ − 

●


4
4 = √2 0 
− 2 √0 
 
● ●
1


0 √2 
 

0 − 2
 

0 0
A[,2]

● ● ●
 
0


.. .. 
 
. .


0 0
−1

● ●
●
−1 0 1 13 / 24
Introduction Modèles et plan Plan Composites Centrés Surface de réponse

Plan composite centré avec le package rsm

> library(rsm)
> planccd <- ccd(2) # donne le plan standard
> planccd<-ccd(2, coding=list (x1~(Temp-130)/10, x2~(Duree-50)/10))
> planccd
run.order std.order Temp Tps Block
1 1 6 130.0000 50.00000 1
2 2 7 130.0000 50.00000 1
3 3 1 120.0000 40.00000 1
4 4 5 130.0000 50.00000 1
5 5 4 140.0000 60.00000 1
6 6 2 140.0000 40.00000 1
7 7 8 130.0000 50.00000 1
8 8 3 120.0000 60.00000 1
9 1 6 130.0000 50.00000 2
10 2 7 130.0000 50.00000 2
11 3 3 130.0000 35.85786 2
12 4 1 115.8579 50.00000 2
13 5 2 144.1421 50.00000 2
14 6 8 130.0000 50.00000 2
15 7 5 130.0000 50.00000 2
16 8 4 130.0000 64.14214 2

Ici, n = 8 points au centre

0
14 / 24
Introduction Modèles et plan Plan Composites Centrés Surface de réponse

Propriétés du plan composite centré

• Isovariance par rotation :

1.5

1.5
5 1 ●
1 1.2
1.2 0.5 5

1.

5
1.

1.
5
(obtenue si α = nf1/4 ) précision du

1.0

1.0
● ●

plan dépend de la distance au centre,

0.5

0.5
0.05

8
pas de la direction

0.0

0.0
x2
● ● ● ●

• Précision uniforme : la précision est

−0.5

−0.5
identique à la distance 1 dans tout le
0.15
● ●
0.3

domaine (si bon nombre de points au

1.

1.
1.2

1.
5

−1.5

−1.5
5

5
1.2
5 ●
1 0.75 1

centre) −1.5 −0.5

Variance de x1la prévision

0.0 0.5 1.0 1.5 −1.5

1.5

1.5
2 2

• Corrélation des eets : tous les eets sont orthogonaux mais il 1

5
1.
1.0

1.0
● 0.5
● ●

y a une corrélation entre eets quadratiques en fonction de n0 0.15

0.5

0.5
En pratique : 8

0.0

0.0
x2
● ● ● ●

• répartir les points au centre parmi toutes les expériences

−0.5

−0.5
0.05

• s'adapter à la réalité terrain : faire toutes les expériences à ●

0.3
●
0.75
●

140o pour éviter de changer 15 fois la température du four

1.
1.25
−1.5

−1.5

5
2 1.5
2

−1.5 −0.5 0.0 0.5 1.0 1.5 15 / 24

−1.5
Introduction Modèles et plan Plan Composites Centrés Surface de réponse

Nombre d'essais du PCC

Nombre de facteurs (k) 2 3 4 5 6

Plan factoriel complet ou fractionnaire 22 23 24 25-1 26-1
Nombre de points du plan factoriel : n f = 2k − p 4 8 16 16 32

Niveau codé des points axiaux : α = 4 n f 1.414 1.682 2 2 2.378

Nombre de points axiaux : nα = 2k 4 6 8 10 12

Nombre de points au centre : n 0

cas de l’orthogonalité 8 9 12 10 15
cas de la précision uniforme 5 6 7 6 9
Nombre total de points ( n f + nα + n 0 )
orthogonalité 16 23 36 36 59
précision uniforme 13 20 31 32 53

16 / 24
Introduction Modèles et plan Plan Composites Centrés Surface de réponse

Vérication de la qualité du plan

La qualité d'un plan dépend des essais, du modèle et est mesurée
par (X 0 X )−
1

> library(rsm)
> plan <- ccd(2)
> X <- model.matrix(~x1+x2+I(x1^2)+I(x2^2)+I(x1*x2),data=plan)
> t(X)%*%X
(Intercept) x1 x2 I(x1^2) I(x2^2) I(x1 * x2)
(Intercept) 16 0 0 8 8 0
x1 0 8 0 0 0 0
x2 0 0 8 0 0 0
I(x1^2) 8 0 0 12 4 0
I(x2^2) 8 0 0 4 12 0
I(x1 * x2) 0 0 0 0 0 4
> solve(t(X)%*%X)
(Intercept) x1 x2 I(x1^2) I(x2^2) I(x1 * x2)
(Intercept) 0.1250 0.000 0.000 -0.0625 -0.0625 0.00
x1 0.0000 0.125 0.000 0.0000 0.0000 0.00
x2 0.0000 0.000 0.125 0.0000 0.0000 0.00
I(x1^2) -0.0625 0.000 0.000 0.1250 0.0000 0.00
I(x2^2) -0.0625 0.000 0.000 0.0000 0.1250 0.00
I(x1 * x2) 0.0000 0.000 0.000 0.0000 0.0000 0.25
17 / 24
Introduction Modèles et plan Plan Composites Centrés Surface de réponse

Modèle de régression
k
X k
X k X
X k
2
Yi = β0 + βj xij + βjj xij + βjl xij xil + εi
j=1 j=1 j=1 l=j+1

Décomposition de la variabilité :
• eets linéaires seuls
• eets quadratiques seuls
• interactions seules
• résiduelle
qui se décompose en 2 termes (car n vraies répétitions, pts au
0

centre) :
• erreur pure : variance des Y pour pts au centre (n0 − 1 ddl) :
estimation de la véritable répétabilité expérimentale
• erreur d'ajustement : erreur résiduelle moins l'erreur pure
(ddlajustement = ddlrésiduelle − ddlerreur pure )
18 / 24
Introduction Modèles et plan Plan Composites Centrés Surface de réponse

Modèle de régression : tests

• Tests des eets linéaires, quadratique ou des interactions
H0 : pas d'eet d'une variable ou d'un groupe de variables
H1 : eet de la variable ou du groupe de variables
CMvar
Fvar = sousH , L(Fvar ) = Fddl
0
ddlresiduelle
CMresiduelle var

• Test d'ajustement du modèle :

H0 : le modèle est bien ajusté
H1 : les écarts au modèle ne peuvent pas s'expliquer uniquement
par la variabilité résiduelle
CMajust
Fajust = sousH , L(Fajust ) = Fddl
0
ddlajust
CMpure pure

⇒ une erreur d'ajustement signicative incite à changer de modèle

(ajout d'eets quadratiques, etc.)
19 / 24
Introduction Modèles et plan Plan Composites Centrés Surface de réponse

Plan composite centré avec le package rsm

Plan pour 2 facteurs :
Yi = β0 + β1 xi 1 + β2 xi 2 + β11 xi21 + β22 xi22 + β12 xi 1 xi 2 + εi
> library(rsm)
> set.seed(1234)
> plan <- ccd(2, coding=list (x1~(Temp-130)/10, x2~(Duree-50)/10))
> Y <- c(1, 5, 4, 7, 8, 8, 4, 5, 2, 5, 4, 5, 5, 9, 7, 5)
> CR.rsm <- rsm(Y~SO(x1,x2),data=plan) ## SO pour 2nd order
> summary(CR.rsm) ## FO(x1,x2)+TWI(x1,x2)+PQ(x1,x2)

Analysis of Variance Table

Response: Y
Df Sum Sq Mean Sq F value Pr(>F)
FO(x1, x2) 2 49.792 24.8958 67.1341 1.6e-06 ## effets linéaires
TWI(x1, x2) 1 9.000 9.0000 24.2694 0.0005991 ## interaction
PQ(x1, x2) 2 6.500 3.2500 8.7640 0.0063261 ## effets quadratiques
Residuals 10 3.708 0.3708
Lack of fit 3 1.833 0.6111 2.2815 0.1662512 ## erreur d'ajustement
Pure error 7 1.875 0.2679 ## erreur pure

Multiple R-squared: 0.9463, Adjusted R-squared: 0.9194

F-statistic: 35.21 on 5 and 10 DF, p-value: 4.911e-06
20 / 24
Introduction Modèles et plan Plan Composites Centrés Surface de réponse

Plan composite centré avec le package rsm

Estimate Std. Error t value Pr(>|t|)
(Intercept) 4.62500 0.21530 21.4815 1.066e-09 ***
x1 2.23744 0.21530 10.3921 1.116e-06 ***
x2 1.10355 0.21530 5.1256 0.0004470 ***
x1:x2 -1.50000 0.30448 -4.9264 0.0005991 ***
x1^2 0.50000 0.21530 2.3223 0.0426035 *
x2^2 0.75000 0.21530 3.4835 0.0058867 **
Recherche de l'optimum :
(
∂ Ŷ
=0

∂x1 .
2 237 − 1.5x2 + 2 × 0.5 × x1 = 0
∂ Ŷ
=0 .
1 104 − 1.5x1 + 2 × 0.75 × x2 = 0
∂x2

x2 = (2.237 + x1 )/1.5
.
1 104 − 1.5x1 + 1.5 × (2.237 + x1 )/1.5 = 0 ⇒ x1 = 6.682 ⇒ x2 = 5.946
Stationary point of response surface: ## optimum
x1 x2
6.681981 5.946278

Eigenanalysis: ## vp ttes < 0 ==> point stationnaire = maximum

$values ## vp ttes > 0 ==> point stationnaire = minimum
[1] 1.3853453 -0.1353453 ## vp >0 et <0 ==> point stationnaire = point 21
selle
/ 24
Introduction Modèles et plan Plan Composites Centrés Surface de réponse

Représentation des surfaces de réponse

> contour(CR.rsm,~x1+x2,image=TRUE)
> persp(CR.rsm,~x1+x2,col=rainbow(50), contours="colors")
8

7
60

10
6

5 8
55

4
6

3
Duree

4
50

0
45

60
55
40

50

Du
140

ree
45
11

135
10

130
8
2
0

40 125
120 Temp
120 125 130 135 140

Temp

Pb de visualisation avec 3 variables ou plus : tracer le graphe pour 2

variables les autres étant xées à leur valeur centrale ou à l'optimum
22 / 24
Introduction Modèles et plan Plan Composites Centrés Surface de réponse

Construction séquentielle du plan

1 construire le plan factoriel et les points au centre

2 à partir des points au centre, l'erreur pure permet de savoir si
le travail réalisé est bon
3 les points au centre permettent de savoir si les eets sont
linéaires ou non ; si non linéaires, ajouter les points en étoile
4 peut-on supposer que les eets quadratiques sont nuls ?

23 / 24
Introduction Modèles et plan Plan Composites Centrés Surface de réponse

Plan de Box-Benhken
Mode de construction :
• construire un plan complet pour Exemple avec 3 facteurs
chaque couple de 2 facteurs, les
autres facteurs étant à la
 
1 1 0

1 −1 0
moyenne
 
−1
 
 1 0 
• ajouter des points au centre −1 −1
 
 0 
 
 1 0 1 
Avantages : −1
 
 1 0 
−1
 
0 1
• 3 niveaux par variable (vs 5
 
−1 −1
 
 0 
pour PCC)
 
 0 1 1 
−1
 
0 1

• travail séquentiel possible :

 
0 −1 1
 
 
−1 −1
permet de rajouter des facteurs
0
 
 
0 0 0
 
(xés au niveau moyen avant)
 
0 0 0
 
 
0 0 0
 
0 0 0
> library(rsm)
> Benhken <- bbd(3)
24 / 24