Ecole Nationale d’Ingénieurs de Monastir 
Département de Génie Mécanique 
 

Cours de Méthodologies Expérimentales 

Préparé par : 
Mnaouar CHOUCHANE 
 
 
Niveau : 1ère année Génie Mécanique 
 
 
Année : 2019‐20   

 
 
 

Table de matières

Avant-propos ............................................................................................................................. iii

Chapitre I : Introduction aux méthodologies expérimentales .................................................... 1
Chapitre II : Rappels mathématiques ......................................................................................... 4
2.1 La fonction densité de probabilité ................................................................... 4
2.2 La fonction de probabilité cumulée ................................................................ 4
2.3 La moyenne et la variance .............................................................................. 5
2.4 La loi Normale ................................................................................................ 5
2.5 Le tracé de probabilité ou la droite de Henry.................................................. 6
2.6 Le test d’une hypothèse sur la moyenne ......................................................... 6
2.7 L’intervalle de confiance sur la moyenne ....................................................... 9
2.8 La loi de probabilité de Ficher ........................................................................ 9
Chapitre III : Introduction aux plans factoriels ........................................................................ 12
3.1 Terminologies des plans d’expériences ........................................................ 12
3.2 Les variables codés ....................................................................................... 13
3.3 Le plan factoriel ............................................................................................ 14
Chapitre IV : Les plans factoriels complets ............................................................................. 20
4.1 Introduction ................................................................................................... 20
4.2 Présentation du plan factoriel 2 2 .................................................................. 20
4.3 Analyse statistique d’un plan factoriel 2 k .................................................... 24
3.4 Utilisation du logiciel Minitab ...................................................................... 33
3.5 Analyse des résidus et vérification du modèle .............................................. 37
Chapitre V : Les plans factoriels à plus que deux facteurs ...................................................... 41
5.1 Les plans à trois facteurs ............................................................................... 41
5.1.1 Calcul des effets et des interactions .................................................... 41
5.1.2 Modèle de régression et analyse des résidus....................................... 48
5.2 Projection d’un plan 2 k ................................................................................ 49
5.3 Plan 2 k à une seule réplique .......................................................................... 50
5.4 Ajout des points au centre ............................................................................. 55
5.5 Blocking et confusion ................................................................................... 59
Chapitre VI : Plans factoriels fractionnaires ............................................................................ 65
6.1 Plans factoriels 2 k 1 ...................................................................................... 65
6.2 Résolution d’un plan fractionnaire ................................................................ 73
6.3 Les plans factoriels 2k  p ............................................................................... 73

ii 
 
 

Chapitre VII : Méthodes et plans des surfaces de réponses ..................................................... 86

7.1 Modèles de surfaces de réponses .................................................................. 86
7.2 Recherche d’une réponse optimale ............................................................... 87
7.3 Surface de réponses de second ordre ............................................................ 91
Chapitre VIII : Plans factoriels à plus que deux niveaux ......................................................... 97
8.1 Analyse de la variance .................................................................................. 97
8.2 Vérification de l’adéquation du modèle ...................................................... 101

iii 
 
 

Avant-propos

Ce cours est préparé en se basant essentiellement sur la référence suivante :

Montgomery D. C. et al, Engineering Statistics, Chapitre 7, Fifth edition, Wiley 2011.

La plupart du contenu de ce fascicule de cours est adoptés de ce livre. La majorité des

exercices et des figures sont tirés à partir de cette référence.

iv 
 
 

Chapitre 1. Introduction aux méthodologies expérimentales

La méthode de plan d’expérience

Les ingénieurs effectuent des expériences qui font naturellement partie de leur travail. Les
techniques expérimentales fondées sur des méthodes statistiques sont particulièrement utiles
dans le domaine d’ingénierie pour améliorer les performances des processus de production et
des procédés de fabrication. Les études expérimentales s’appliquent fréquemment dans le
développement de nouveaux processus. La plupart des processus peuvent être décrites en
termes de plusieurs variables contrôlables, telles que la température, la pression, et la vitesse
d’avance. En utilisant la méthode de plan d’expérience, les ingénieurs peuvent déterminer
quels sous-ensembles des variables du processus ont le maximum d’effet sur les performances
du processus. Les résultats d’une telle étude expérimentale peuvent conduire à

‐ Une amélioration du rendement du processus ;

‐ Une variabilité réduite du processus et une meilleure conformité à la valeur nominale
ou ciblée ;
‐ Un temps de développement et de conception du processus réduit ;
‐ Un coût de fonctionnement réduit.

La méthode de plan d’expérience est aussi utile dans les activités de conception dans laquelle
des produits nouveaux sont développés ou des produits existants sont améliorés. Des
exemples typiques de l’application du plan d’expérience dans ce domaine comprennent :

1. L’évaluation et la comparaison entre plusieurs configurations de base d’une

conception
2. La comparaison entre plusieurs choix de matériaux
3. Le choix des paramètres de conception permettant au produit de fonctionner dans
différentes conditions opératoires (ou de manière que la conception soit robuste)
4. Détermination des paramètres clés de conception qui affectent les performances du
produit.

L’utilisation du plan d’expérience au cours du processus de conception peut donner des

produits qui sont plus facile à fabriquer, qui ont des meilleures performances et plus de
fiabilité que ceux des concurrents, et qui peuvent être conçus, développés et produits en moins
du temps.

 
 
 

Application séquentielle de plans d’expériences

Les plans d’expérience sont généralement utilisés d’une manière séquentielle, ainsi,
l’utilisation du terme expérimentation séquentielles. C’est-à-dire, la première expérimentation
avec un système complexe (par exemple, un procédé de fabrication) qui a plusieurs variables
contrôlables est souvent un plan de criblageconçu pour déterminer les variables les plus
importantes. Les plans suivants sont ensuite utilisés pour affiner les résultats et déterminer
quels ajustements de ces variables critiques sont nécessaires pour améliorer le processus.
Finalement, les objectifs de l’expérimentateur est souvent l’optimisation ; c’est-à-dire,
déterminer quels sont les niveaux des variables critiques qui permettent d’aboutir aux
meilleures performances. Il s’agit du principe « gardons le petit et séquentiel ». Lorsque des
petites étapes sont complétées, les connaissances acquises permettent de mieux planifier les
étapes suivantes.

Chaque plan d’expérience comprend une séquence d’activités :

1. Problème posé : les hypothèses initiales qui ont motivé l’étude expérimentale sont
définies ;
2. Les essais : les tests sont effectués pour étudier le problème posé ;
3. L’analyse : l’analyse statistique des données obtenues à partir de l’expérimentation ;
4. Conclusion : Ce qu’on a appris concernant le problème initial à partir des essais va
permettre de revoir le problème posé, faire de nouveaux essais, et ainsi de suite.

Importance de l’analyse statistique

Les méthodes statistiques sont essentielles pour faire une étude expérimentale crédible. Tous
les essais sont des essais planifiés ; certains sont mal planifiés, et par conséquent, des
ressources de grandes valeurs sont utilisées de manière non efficace. Les études
expérimentales fondées sur des bases statistiques donnent plus d’efficacité et une réduction du
coût du processus expérimental. En plus, l’utilisation des méthodes statistiques d’analyse des
données donne une objectivité scientifique lorsqu’on tire des conclusions.

Le plan factoriel

Dans ce cours, on traite particulièrement les plans d’expériences qui comprennent deux ou
plus de facteurs que l’expérimentateur considère importants. Le plan factoriel sera introduit
comme une technique puissante pour ce type de problèmes. Généralement, dans un plan
factoriel, les essais sont effectués pour toutes les combinaisons des niveaux des facteurs. Par

2 
 
 

exemple, si un ingénieur en génie chimique est intéressé à étudier les effets de la durée de
réaction et de la température de réaction sur le rendement du processus, et si les deux niveaux
de la durée (1 et 1.5 h) et les deux niveaux de la température (50 et 75° C) sont considérés
importants, un plan factoriel sera composé d’essais à chacune de quatre combinaisons de ces
niveaux de durée de réaction et de température.

Plusieurs méthodes statistiques seront appliquées aux plan factoriels traités dans ce cours. On
utilisera aussi plusieurs méthodes graphiques qui sont utiles pour l’analyse des données
obtenues à partir des essais effectués dans le cadre du plan factoriel.

   

3 
 
 

Chapitre II : Rappels mathématiques

2.1 La fonction densité de probabilité

La fonction densité de probabilité (ou pdf) f ( x ) d’une variable aléatoire continue X est
utilisée pour déterminer les probabilités de la façon suivante :

Pr a  X  b   f ( x) dx
b

La figure ci-dessous illustre l’interprétation graphique de cette intégrale qui représente une
surface au-dessous de la courbe de f ( x ) .

Les propriétés d’une fonction de densité de probabilité sont :

(1) f ( x)  0


(2) 

f ( x ) dx  1

2.2 La fonction de probabilité cumulée

La fonction de probabilité cumulée d’une variable aléatoire continue X dont la fonction de

densité de probabilité est f ( x ) est

F ( x)  Pr  X  x  
x
f (u ) du pour   x  


Pr a  X  b   f ( x) dx  
b b a
f ( x) dx   f ( x) dx  F (b)  F ( a )
a  

On peut aussi déterminer f ( x ) à partir de F ( x) de la façon suivante

d d x
dx 
F ( x)  f (u ) du  f ( x )
dx

4 
 
 

2.3 La Moyenne et la Variance

La moyenne ou l’espérance d’une variable aléatoire X désignée par  ou E ( X ) est


  E ( X )   x f ( x ) dx


La variance d’une variable aléatoire X permet d’obtenir une mesure de la dispersion des
valeurs possibles de la variable aléatoire X , et qu’on la désigne par  2 ou V ( X ) , est


 2  V ( X )   ( x   ) 2 f ( x) dx


L’écart type de la variable aléatoire X est  .

2.4 La loi Normale

Une variable aléatoire X dont la fonction de densité de probabilité est

 ( x   )2
1
f ( x)  e 2 2
pour   x  
2 

a une loi de probabilité normale de paramètres  et  , où      et   0 sachant que

E( X )   et V (X )   2 .

La notation N ( , 2 ) est souvent utilisée pour désigner une loi de probabilité normale de

moyenne  et de variance  2 .

La figure ci-dessous présente des exemples des fonctions de densité de probabilité de la loi
normale pour différentes valeurs de  et de  2 .


Exemple de calcul de probabilité : Pr  X  13   f (u ) du pour une variable aléatoire de
13

distribution normale de moyenne   10 et de variance  2 = 4

5 
 
 

2.5 Le Tracé de probabilité ou Droite de Henry

On utilise le tracé de probabilité (appelé aussi Droite de Henry) pour déterminer si la loi
normale est un modèle raisonnable pour une série des données. Le tracé doit être effectué en
utilisant un graphe particulier appelé papier de la loi normale.

Pour construire le tracé de probabilité, les données de l’échantillon sont d’abord triées dans un
ordre croissant. C’est-à-dire, les données de l’échantillon x1 , x2 ,, xn sont triés pour former la

série x(1) , x(2) , , x( n ) , où x(1) est la plus petite observation (valeur), x(2) est la deuxième plus

petite observation, et ainsi de suite. Les observations ordonnées x( j ) sont ensuite représentées

sur un papier de la loi normale avec comme ordonnées la fréquence cumulée (l’estimation de
la probabilité cumulée) définie souvent par la formule, ( j  0.5) / n (d’autres formules sont
aussi utilisées). Si l’hypothèse d’une distribution normale des données est valable, les données
seront approximativement alignées sur une droite sur un papier de la loi normale. La figure ci-
dessous présente un exemple de l’application du tracé de probabilité.

2.6 LeTest d’une hypothèse sur la moyenne

Supposons que la population qui nous intéresse a une distribution normale d’une moyenne 

et d’une variance  2 qui sont tous les deux inconnues. On se propose de tester l’hypothèse

6 
 
 

que  est égale à 0 . Dans la méthode de plan d’expérience, le test d’hypothèse sur les

facteurs utilise la valeur 0  0 . C’est-à-dire est ce que le facteur pourrait être nul ou non.

Supposons qu’on dispose d’un échantillon aléatoire de taille n , X1 , X 2 ,, X n et soit X la

moyenne et S 2 la variance de l’échantillon.

On veut tester l’hypothèse alternative bilatérale suivante :

H 0 :   0

H1 :   0

Si la variance  2 de la population est connue, on utilise le test statistique suivant

X  0
Z0 
/ n

Si la variance  2 n’est pas connue, une procédure raisonnable consiste à remplacer  dans
l’expression ci-dessus par la variance de l’échantillon S . Le test statistique devient

X  0
T0 
S/ n

Si la taille de l’échantillon n est grande, le remplacement de  par S a peu d’effet et on peut

ainsi appliquer le test statistique en utilisant la loi normale. Cependant, si n est petite, qui est
souvent le cas dans la plupart des problèmes d’ingénierie, on doit utiliser dans cette situation
la loi de Student.

Soit X1 , X 2 ,, X n un échantillon aléatoire d’une population de distribution normale de

moyenne connue  et de variance inconnue  2 . La quantité

X 
T0 
S/ n

suit une loi de Student à n  1 degrés de liberté.

La figure ci-dessous présente la fonction de densité de probabilité pour différentes valeurs du

degré de liberté k. Remarquons que lorsque k   , la densité de probabilité correspond à
celle de la loi normale.

7 
 
 

La loi de Student est tabulée dans plusieurs références de statistiques. Le tableau ci-dessous
donne la valeur de t pour une valeur donnée de degré de liberté  (ou k) et de  .

8 
 
 

Pour faire un test statistique pour l’hypothèse H 0 :   0 contre l’hypothèse alternative

bilatérale H1 :   0 , la valeur du statistique t0 est d’abord calculé en utilisant l’équation

x  0
t0 
s/ n

où x et s sont respectivement la moyenne et l’écart type de l’échantillon utilisé. La valeur de

p est déterminée à partir la loi de Student à n  1 degrés de liberté comme illustré dans la
figure suivante :

Il est à noter que pour tester l’importance des facteurs dans la méthode de plan d’expérience,
la valeur de 0 est en générale nulle.

2.7 L’Intervalle de Confiance sur la Moyenne

L’intervalle de confiance sur la moyenne d’une population normale dont la variance n’est pas
connue est déterminé de la façon suivante.

Soit x et s la moyenne et l’écart type d’un échantillon aléatoire tiré à partir d’une population
normale de variance  2 inconnue, un intervalle de confiance de 100(1   )% pour la moyenne
de la population  est donné par

x  t / 2, n 1 s / n    x  t / 2, n 1 s / n

où t / 2, n 1 correspond à la valeur de t obtenue à partir de la loi de Student pour un nombre de

degré de liberté n  1 et pour un choix de la valeur de  .

2.8 La loi de probabilité de Ficher (ou la loi F)

La loi de Ficher ou la loi F est définie pour une variable aléatoire non négative. La loi de
Ficher dépend des deux paramètres u et v (certaines références utilisent 1 et  2 ). La figure

ci-dessous présente la fonction densité de probabilité pour deux paires de valeurs de u et v .

9 
 
 

On remarque que ces courbes sont désaxées vers la droite. La densité de probabilité de la loi
de Ficher ressemble à celle de la loi chi-deux ; cependant, les deux paramètres u et v donne à
la forme de laloi de Ficher plus de flexibilité.

Si F est une variable aléatoire qui suit la loi de Ficher à ( u , v ) degrés de liberté, la table ci-
dessous donne la valeur f ,u ,v telle que


P  F  f ,u , v    f ( x ) dx  
f ,u ,v

La figure ci-dessous illustre cette probabilité

Une table existe pour chaque valeur de  . Un exemple est présenté ci-dessous.

La valeur de f1 ,u ,v est déterminée en utilisant la formule suivante

1
f1 ,u ,v 
f ,u , v

10 
 
 

Supposons qu’on s’intéresse à deux populations indépendantes de distribution normale dont

les moyennes et les variances de deux populations sont respectivement 1 ,  12 et 2 ,  22 ,

voir figure ci-dessous. On veut tester les hypothèses sur l’égalité des deux variances :

H 0 :  12   22

H1 :  12   22

Supposons qu’on dispose des deux échantillons de taille n1 de la population 1 et de taille n2

de la population 2 et soit S12 et S 22 les variances des échantillons. Le test statistique est

S12
F0  , l’hypothèse alternative H1 :  12   22 est rejetée si
S 22

f 0  f / 2,n1 1,n2 1 ou f 0  f1 / 2, n1 1, n2 1 . La figure ci-dessous montre les zones critiques.

La valeur de p est déterminée en faisant la somme des aires des queux gauche et droite de la
s12
distribution correspondante à la valeur calculée de f 0  2 .
s2

   

11 
 
 

Chapitre III : Introduction aux Plans Factoriels

3.1 Terminologies des plans d’expérience

Dans une étude expérimentale, on s’intéresse souvent à un phénomène caractérisé par une
grandeur particulière ; par exemple, une résistance mécanique, une dureté, une rugosité, etc.
Cette grandeur dépend de plusieurs variables. On appelle cette grandeur la réponse et on
appelle les variables les facteurs. La relation entre la réponse et les variables s’écrit sous la
forme suivante :

y  y ( x1 , x2 , x3 ,)

Un facteur peut être

 Continu : par exemple, une pression, une température, une dimension ; etc. Le facteur
est alors caractérisé par des nombres continus ;
 Discret : le facteur prend des valeurs discrètes ; par exemple, une couleur, un nombre
entier d’objets, la présence ou l’absence d’un élément ;
 Ordonnable : qu’on peut le mettre dans un ordre : petit, moyen, grand ; bas, haut ;
 Booléens : le facteur prend deux valeurs : ouvert, fermé ; marche, arrêt.

Facteurs contrôlables et facteurs non contrôlables

Les facteurs peuvent être subdivisés en facteurs contrôlables que l’expérimentateur peut varier
et des facteurs non contrôlables que le facteur ne peut pas contrôler ou qu’il est difficile de
contrôler. Par exemple, on peut contrôler la densité de fibres dans une éprouvette en
matériaux composites mais on ne peut pas garantir qu’il n’y a pas eu de variabilité dans le
mode d’élaboration d’une éprouvette à une autre ou des matériaux de la matrice et des fibres.

Randomisation :

En général, on doit faire les expériences définies par un plan d’expériences dans un ordre
aléatoire. Dans le cas où il y a des contraintes de coût ou de temps, on doit utiliser des
méthodes spécifiques pour réduire l’effet des facteurs incontrôlables.

12 
 
 

Répliques

Les répliques sont des essais effectués avec les mêmes niveaux des facteurs et sont soumises
aux mêmes sources de variabilité. On utilise peu de répliques dans un plan de criblage. On
utilise plusieurs répliques pour créer un modèle de prévision pour augmenter la précision du
modèle ou pour estimer l’erreur sur les paramètres du modèle. Il faut noter le coût associé à la
réalisation des répliques.

Répétitions

Les mesures de répétition sont prises en gardant les niveaux de facteurs et en répétant les
mesures successivement.

Blocking

Le blocking est une technique utilisée pour réduire les effets des facteurs non contrôlés. Les
essais effectués dans les mêmes conditions forment alors un bloc. Par exemple, les essais
effectués dans deux journées différentes ou réalisés par deux opérateurs différents sont divisés
en deux blocs.

Plan de criblage

Dans le cas où on vise l’identification des facteurs qui ont le plus d’impact sur les réponses
parmi un nombre assez élevé de facteurs, on utilise des plans de criblage. Ce type de plan
permet d’identifier les facteurs les plus importants en effectuant le minimum d’expériences.
Les plans fractionnaires et les plans de Plackett-Burman sont utilisés pour le criblage.

3.2 Variables codées

Niveaux d’un facteur

Pour les facteurs continus, on définit pour chaque facteur la valeur minimale qu’on l’appelle
niveau bas et la valeur maximale qu’on l’appelle niveau haut.

On désigne le niveau bas par -1 et le niveau haut par +1. D’autres désignations sont aussi
utilisées ; par exemple, - et + .

Le plus souvent les plans d’expériences utilisentdeux niveaux ; mais des plans à trois ou plus
de niveaux sont aussi utilisés.

13 
 
 

Certains plans utilisent un point central qui correspond à un point dans lequel les facteurs
(continus) prennent des valeurs intermédiaires entre -1 et +1. On note ce niveau parfois par
niveau 0.

Relation entre les variables d’origine et les variables codées

Les variables qui varient entre -1 et +1 sont appelées variables centrées et réduite ou variable
codées.

Soit une variable A (d’origine) qui varie entre A-1 et A+1 . On définit le pas

A1  A1
Pas 
2

et la valeur centrale

A1  A1
A0 
2

La valeur codée correspondante est alors

A  A0
Ac 
Pas

Noter que A1  A0  Pas et A1  A0  Pas

On peut aussi calculer la variable d’origine en fonction des variables codées

A  Pas  Ac  A0

3.3 Plan factoriel

Lorsque plusieurs facteurs sont importants dans une étude expérimentale, un plan factoriel
doit être utilisé. Dans ce type de plans, tous les facteurs sont variés simultanément.

Un plan factoriel signifie qu’à chaque réplique complète de l’expérience, toutes les
combinaisons de niveaux des facteurs sont étudiées.

Donc, s’il y a deux facteurs A et B avec a niveaux pour le facteur A et b niveaux pour le
facteur B, chaque relique d’essais comprend toutes le ab combinaisons d’essais.

14 
 
 

Effets principaux

L’effet d’un facteur est défini comme la variation de la réponse produite par la variation du
niveau du facteur. Il s’appelle l’effet principal car il fait référence aux facteurs primaires de
l’étude. Par exemple, considérons les données du tableau ci-dessous. Ceci est un plan factoriel
comprenant deux facteurs, A et B, chacun à deux niveaux ( Abas , Ahaut et Bbas , Bhaut ). L’effet
principal du facteur A est la différence entre la moyenne des réponses au niveau haut de A et
la moyenne des réponses au niveau bas de A, ou

30  40 10  20
A   20
2 2

C’est-à-dire, faire varier le facteur A du niveau bas au niveau haut produit une augmentation
moyenne de la réponse de 20 unités. De la même manière, l’effet principal de B est

20  40 10  30
B   10
2 2

Notion d’interaction

Dans certaines expériences, la différence de la réponse entre les niveaux d’un facteur n’est pas
le même pour tous les niveaux des autres facteurs. Lorsque ceci se présente, il existe une
interaction entre les facteurs. Par exemple, considérons les données du tableau ci-dessous.

Au niveau bas du facteur B, l’effet de A est

A  30  10  20

Par contre, au niveau haut du facteur B, l’effet de A est

A  0  20  20

15 
 
 

Comme l’effet de A dépend du niveau choisi du facteur B, il y a une interaction entre les
facteurs A et B.

Lorsqu’une interaction est importante, les effets principaux des facteurs correspondants ont
peu de signification pratique. Par exemple, si on utilise les données du tableau 2, on trouve
que l’effet principal de A est

30  0 10  20
A  0
2 2

et on sera tenté de conclure que le facteur A n’a pas d’effet. Cependant, lorsqu’on examine les
effets de A à différents niveaux du facteur B, on observe que ceci n’est pas le cas. L’effet du
facteur A dépend des niveaux du facteur B. Donc, la connaissance de l’interaction AB est plus
utile que la connaissance des effets principaux. Une interaction importante peut masquer
l’importance des effets principaux. Par conséquent, lorsqu’une interaction existe, les effets
principaux des facteurs associés à l’interaction pourrait ne pas avoir une signification.

Il est facile d’estimer l’effet de l’interaction dans des plans factoriels tels que ceux des deux
tableaux ci-dessus. Dans ce type de plan, lorsque les deux facteurs ont deux niveaux,
l’interaction AB est la différence des moyennes des diagonales. Ceci représente la moitié de la
différence entre les effets du facteur A au deux niveaux de B. Par exemple, pour le tableau 1,
on trouve que l’effet de l’interaction AB est

20  30 10  40
AB   0
2 2

Donc, il n’y a pas d’interaction entre A et B. Pour le tableau 2, l’effet de l’interaction AB est

20  30 10  0
AB    20
2 2

Comme on a noté déjà, l’effet de l’interaction pour ces données est important.

Le concept d’interaction peut être illustré graphiquement de différentes façons. La figure ci-
dessous à gauche est un tracé des données du tableau 1 en fonction des niveaux de A pour les
deux niveaux de B. Noter que les segments de droites à Bbas et Bhaut sont approximativement
parallèles, indiquant que les facteurs A et B n’interagit pas d’une manière significative. La
figure de droite présente un tracé similaire des données du tableau 2. Dans ce graphe, les

16 
 
 

segments de droites à Bbas et Bhaut ne sont pas parallèles, indiquant l’existence d’une
interaction entre les facteurs A et B.

Des tels graphes sont appelés graphes d’interaction entre deux facteurs. Ils sont souvent utiles
pour présenter les résultats d’essais, et plusieurs logiciels utilisés pour l’analyse des données
expérimentales construisent ce genre de graphe automatiquement.

Les deux figures ci-dessous présentent une autre illustration graphique des données des
tableaux des données ci-dessus. La première figure, figure à gauche, présente le tracé d’une
surface tri-dimensionnelle des données du premier tableau ci-dessus (le cas sans interaction),
où les niveaux bas et hauts sont fixés aux valeurs -1 et 1, respectivement, pour les deux
facteurs A et B. Les équations pour ces surfaces seront présentées plus loin. Ces données ne
présentent aucune interaction, et le tracé de surface est un plan situé au-dessus du plan A-B.
La pente duplan dans les directions de A et B est proportionnelle aux effets principaux des
facteurs A et B, respectivement. La figure suivante, celle de droite, est un tracé de surface
pour les données du deuxième tableau ci-dessus (le cas avec interaction). Noter que l’effet de
l’interaction dans ces données est de tordre le plan de manière que la fonction réponse
présente une courbure. Il faut remarquer que les plans factoriels sont le seul moyen permettant
de trouver les interactions entre les variables.

17 
 
 

Défauts de la méthode de variation d’un seul facteur à la fois

Une alternative à la méthode de plan factoriel qui est (malheureusement) utilisée dans certains
cas consiste à varier un seul facteur à la fois plutôt que de varier tous les facteurs
simultanément. Pour illustrer cette procédure de varier un seul facteur à la fois, supposons
qu’on est intéressé à trouver les valeurs de la température et de la durée de la réaction qui
maximise le rendement d’un procédé chimique. Supposons qu’on fixe la température à 155° F
(le niveau actuel du fonctionnement) et on effectue cinq essais à différents niveaux (valeurs)
de la durée ; pour les cinq valeurs choisies : 0.5, 1.0, 1.5, 2.0, 2.5 heures. Les résultats de cette
série d’essais sont présentés dans la figure ci-dessous, la figure à gauche. Cette figure indique
que le rendement maximal est atteint à une durée de réaction approximativement de 1.7
heures. Pour optimiser la température, l’ingénieur fixe ensuite la durée de la réaction à 1.7
heures (l’optimum apparent) et effectue cinq essais à différentes températures, cinq valeurs
sont choisies : 140, 150, 160, 170 et 180° F. Les résultats de cet ensemble d’essais sont
présentés sur le graphe de la figure ci-dessous, la figure au milieu. Le maximum est obtenu à
environs 155° F. Donc, on pourrait conclure que faire fonctionner le processus à 155° F et 1.7
heures permet d’obtenir les meilleures conditions de fonctionnement produisant un rendement
d’environ 75 %.

La figure de droite montre les résultats des essais, effectués en variant un seul facteur à la fois,
superposés avec un tracé des contours du rendement en fonction de la température et de la
durée. Il est visible que cette approche de varier un seul facteur à la fois a échoué d’une
manière dramatique, car, le vrai optimum est au moins 20 points de rendement de plus et se
produit à des durées de réaction beaucoup plus faibles et des températures plus élevées.
L’échec de découvrir l’importance d’une durée plus faible est particulièrement important car
ceci pourrait avoir un impact important sur le volume ou la capacité de production, la
planification de la production, le coût de production et la productivité totale.

L’approche d’un seul facteur à la fois a échoué ici car cette approche ne peut pas détecter
l’interaction entre la température et la durée. Les plans factoriels sont le seul moyen pour

18 
 
 

détecter ces interactions. En plus, la méthode d’un seul facteur à la fois n’est pas efficace. Elle
nécessite plus d’essais que le plan factoriel, et comme on a vu il n’y a aucune garantie qu’elle
va produire les résultats recherchés.

   

19 
 
 

Chapitre IV : Les Plans Factoriels Complets

4.1 Introduction

Les plans factoriels sont souvent utilisés dans les études expérimentales qui comprennent
plusieurs facteurs et dont l’objectif est d’étudier l’effet conjoint de plusieurs facteurs sur la
réponse.Cependant, plusieurs formes particulières du plan factoriel sont importantes car elles
sont largement utilisées dans les études expérimentales et parce qu’elles forment la base pour
d’autres plans d’expériences d’une valeur pratique considérable.

Le plus important de ces plans est le plan à k facteurs, chaque facteur a deux niveaux. Ces
niveaux peuvent être quantitatives, tels que deux valeurs de la température, la pression, ou le
temps ; ou ils peuvent être qualitatives, par exemple, deux machines, deux opérateurs, les
niveaux « haut » et « bas » d’un facteur, ou peut-être la présence ou l’absence d’un facteur.
Un plan factoriel complet pour k facteurs et deux niveaux nécessite 2  2    2  2k essais
pour chaque replique et appelé plan factoriel 2k .

Le plan factoriel 2k est particulièrement utile dans les stades précoces de l’étude
expérimentale lorsque plusieurs facteurs sont considérés. Le plan factoriel 2k permet de faire
un nombre minimal d’expériences dans lequel k facteurs sont étudiés avec un plan factoriel
complet. Puisqu’il n’y a que deux niveaux pour chaque facteur, on doit supposer que la
réponse est approximativement linéaire entre les deux niveaux de chaque facteur.

4.2 Présentation du plan factoriel 22

Le plan le plus simple parmi les plans factoriels complets 2k est le plan 22 ; c’est-à-dire, deux
facteurs à deux niveaux. On considère souvent ces niveaux comme le niveau haut et le niveau
bas de chaque facteur. Un plan 22 est présenté dans la figure ci-dessous. Il est à noter que ce
plan peut être représenté géométriquement par un carré dans lequel le 2 2  4 essais, ou
combinaison de traitements, forment les coins du carré. Dans un plan 22 , on désigne
couramment les niveaux haut et bas des facteursA et B par les signes –et + respectivement.
Cette représentation est parfois appeléereprésentation géométrique du plan. La figure ci-
dessous montre aussi la matrice d’essais du plan factoriel 22 . Chaque ligne de cette matrice
correspond à un essai et les signes -,+ dans chaque ligne définissent les niveaux des facteurs
de l’essai.

20 
 
 

Une notation particulière est utilisée pour désigner la combinaison de traitements. En général,
une combinaison de traitement est représentée par une série de lettres minuscules. Si une lettre
est présente, le facteur correspondant est affecté au niveau haut dans la combinaison de
traitement ; si une lettre est absente, le facteur est affecté au niveau bas. Par exemple, le
traitement a indique que le facteur A est au niveau haut et le facteur B est au niveau bas. La
combinaison de traitement dans laquelle aussi bien le facteur A que le facteur B sont au niveau
bas est représentée par (1). Cette notation sera utilisée pour tous les plans factoriels 2k . Par
exemple, la combinaison de traitement d’un plan 24 avec les facteurs A et C au niveau haut
alors que les facteurs B et D sont au niveau bas est noté ac. Les lettre (1), a, b, et ab sont
aussi utilisés pour représenter la somme de toutes les observations effectuées à chacun de ces
points du plan d’expériences. Par exemple, a= 53,65 signifie que la somme des réponses de
toutes les répliques est 53,65 pour le traitement qui correspond à un niveau haut de A et un
niveau bas de B.

Les effets d’intérêt pour un plan 22 sont les effets principaux A et B et l’interaction d’ordre 2
AB. Il est relativement simple d’estimer les effets de ces facteurs. Pour estimer l’effet du
facteur A, on prend la moyenne des observations du côté droit du carré qui correspondent au
niveau haut du facteur A et on soustrait de cette moyenne la moyenne des observations du
côté gauche du carré qui correspondent au niveau bas du facteur A.

Effet principal du facteur A est

21 
 
 

De même, l’effet principal de B est déterminé en moyennant les observations du côté

supérieur du carré, où B est au niveau haut, et on soustrait la moyenne des observations du
côté bas du carré, où B est au niveau bas.

L’effet principal du facteur B est

Finalement, l’interaction ABest estimée en prenant la différence des moyennes des diagonales,
soit

Les quantités entre crochets dans les équations ci-dessus sont appelée contrastes. Par
exemple, le contraste de A est

ContrasteA= a + ab – b – (1)

Dans ces équations, les coefficients du contraste sont toujours soit +1 ou -1. Un tableau des
signes plus et moins, tel que le tableau ci-dessous, peut être utilisé pour déterminer les signes
pour chaque combinaison de traitement pour un contraste particulier. L’entête du tableau
comprend les effets principaux A et B, l’interaction AB et I. Les entêtes des lignes sont les
combinaisons de traitement. Noter que les signes de la colonne AB sont les produits des signes
des colonnesA et B.

Pour générer un contraste à partir de ce tableau, il faut multiplier les signes de la colonne
appropriée par les combinaisons de traitement énumérés dans les lignes et l’additionner. Par
exemple, ContrasteAB= [(1)+[-a]+ [ – b]+[ab] = ab + (1) – a – b.

22 
 
 

Exemple 1 : Procédé épitaxie(c’est un procédé de dépôt d’une couche mince sur une plaque,
un substrat)

Un article dans le journal « AT &T Technical Journal (Vol. 65, Mars/Avril 1986, pp. 39-50)
décrit l’application d’un plan factoriel à deux niveaux à la fabrication des circuits intégrés.
Une étape de base de ce procédé dans cette industrie consiste à faire la croissance d’une
couche épitaxiale sur une plaque mince en silicone. La plaque est montée sur un suscepteur et
positionnée à l’intérieur d’un pot en forme de cloche. Des vapeurs chimiques sont introduites
à travers des buses situés à proximité de la partie supérieure du pot. Le suscepteur est entrainé
en rotation et la chaleur est appliquée. Ces conditions sont maintenues jusqu’à atteindre une
épaisseur suffisante de la couche épitaxiale.

Le tableau suivant présente les résultats d’un plan factoriel 22 avec n  4 répliques en
utilisant les facteursA = durée de déposition et B = débit du gaz d’arsénique. Les deux niveaux
de la durée de déposition sont - = courte durée et + = longue durée, et le deux niveaux du
débit de l’arsénique sont - = 55 % et + = 59 % d’un débit de référence. La variable de réponse
est : l’épaisseur de la couche épitaxiale (en  m). Trouver une estimation des effets et évaluer
l’importance de ces effets.

23 
 
 

Réponse :

On calcule les effets en utilisant les équations ci-dessus.

1
A  a  ab  b  (1)
2n
1
 59.299  59.156  55.686  56.081  0.836
2(4)
1
B b  ab  a  (1)
2n
1
 55.686  59.156  59.299  56.081  0.067
2(4)
1
AB   ab  (1)  a  b
2n
1
 59.156  56.081  59.299  55.686  0.032
2(4)
Interprétation des résultats :

L’estimation numérique des effets montre que l’effet de la durée de déposition est important
et de direction positive (c’est-à-dire, en augmentant la durée de déposition, l’épaisseur
augmente aussi), car en variant la durée de déposition du niveau bas au niveau haut, la
moyenne de l’épaisseur de la couche épitaxiale varie de 0.836 µm. Les effets du débit
d’arsénique (B) et l’interaction (AB)sont assez faibles.

4.3 Analyse statistique d’un plan factoriel 2k

On présente deux méthodes permettant de déterminer quel est l’effet qui est significativement
différent de zéro pour un plan 2k . Dans la première méthode, la valeur absolue d’un effet est
comparée à son erreur type estimée. Dans la deuxième méthode, un modèle de régression est
utilisé dans lequel chaque effet est associé à un coefficient de régression. Les deux méthodes
donnent des résultats identiques pour un plan à deux niveaux. On peut choisir la méthode qui
est la plus facile à interpréter ou celle qui est utilisée par le logiciel disponible. Une troisième
méthode qui utilise le tracé de probabilité pour la loi normale sera présentée à la fin du
chapitre.

Erreurs types des effets

La grandeur des effets dans l’exemple précédent peut être jugée en comparant chaque effet à
son erreur type. Dans un plan 2k avec n répliques, il ya en tout N  n 2k mesures. Une

24 
 
 

estimation d’un effet est la différence entre deux moyennes, chaque moyenne est calculée à
partir de la moitié des mesures. Par conséquent, la variance d’une estimation d’un effet est

2 2 2 2 2
var( Effet )     k 2
N / 2 N / 2 N / 2 n2

Pour obtenir une estimation de l’erreur type d’un effet, on remplace  2 par l’estimation ˆ 2 et
on prend la racine carrée de l’équation ci-dessus.

S’il y a n répliques pour chacun de 2k essais du plan factoriel, et si yi1 , yi 2 ,  , yin sont les
observations au ième essai,
n

(y
j 1
ij  yi )2
ˆ i 2  i  1, 2, , 2k
(n  1)

est une estimation de la variance du ième essai. Le 2k estimations de la variance peuvent être
réunies (moyennées) pour obtenir une estimation globale de la variance
2k

ˆ
j 1
i
2

ˆ 2  i  1, 2, , 2k
2k

Chaque ˆ i 2 est associé à ( n  1) degrés de liberté, et donc ̂ 2

est associé à 2k (n 1) degrés de
liberté.

Une estimation d’un effet divisée par son erreur type est une statistiquetà 2k (n  1) degrés de
liberté qui est utilisée pour tester l’importance de l’effet.

Suite de l’exemple 1

Pour illustrer cette approche et l’appliquer sur le processus épitaxial, on utilise les variances
associées à chaque essai (ligne) du tableau ci-dessus pour obtenir l’estimation de la variance
globale suivante
0.0121  0.0026  0.0059  0.0625
ˆ 2   0.0208
4

et l’estimation de l’erreur type de chaque effet

ˆ 2
se(Effet)  k 2
 0.0208 / (4  22 2 )   0.072
n2

25 
 
 

Dans le tableau ci-dessous, chaque effet est divisé par la valeur estimée de l’erreur type et le
rapport t résultant est comparée à la distribution t(loi de student) de nombre de degrés de
liberté 2k (n  1)  22 (4  1)  12 degrés de liberté. Le rapport t est utilisé pour calculer la
valeur de p qui permet de juger si l’effet est significativement différent de zéro ou non. Une
valeur faible de la valeur p indique que l’effet est significatif (différent de zéro). Un seuil de
la valeur de pde 0.05 = 5 % est souvent choisi. Les effets significatifs sont ceux qui sont
importants dans l’expérimentation. Des limites de deux erreurs types sur les estimations des
effets sont aussi données au tableau. Ces intervalles sont approximativement des intervalles de
confiance à 95%.

Interprétation pratique

Les grandeurs et les sens des effets ont étéexaminés précédemment. L’analyse présentée dans
le tableau ci-dessous confirme les tentatives de conclusions précédentes. La durée de
déposition est le seul facteur qui affecte d’une manière significative l’épaisseur de la couche
épitaxiale, et à partir du sens de l’effet, on peut conclure qu’une durée de déposition plus
longue permet d’obtenir des couches épitaxiales plus épaisses.

Analyse de régression

Dans n’importe quel plan d’expérience, il est important de développer un modèle permettant
de prédire les réponses. En plus, il y a une relation étroite entre l’analyse d’un plan
d’expérience et un modèle de régression qui peut être utilisé facilement pour obtenir des
estimations et des prédictions à partir d’un plan 2k . Le modèle permet d’estimer la réponse
pour des valeurs intermédiaires des facteurs ; c’est-à-dire, des valeurs comprises entre les
niveaux bas et haut.

Pour le plan du processus épitaxial, un modèle initial de régression est

Y  0  1 x1   2 x2  12 x1 x2  

26 
 
 

La durée de déposition et le débit d’arsénique sont représentés par les variables codées x1 et

x2 respectivement. Les niveaux hauts et bas de la durée de déposition ont les valeurs x1  1

et x1  1 , respectivement, et les niveaux hauts et bas du débit d’arsénique ont les valeurs

x2  1 et x2  1 , respectivement. Le produit mixte x1 x2 représente l’effet de l’interaction

entre ces deux variables.

Le modèle ajusté à moindre carré pour l’exemple est

 0.836   0.067   0.032 

yˆ  14.389    x1    x2    x1 x2
 2   2   2 

où l’ordonnée à l’origine ̂0 est la moyenne générale des 16 observations. Le coefficient

estimé de x1 est égale à la moitié de la valeur estimée de l’effet de la durée de déposition. Le

facteur un demi apparait car les coefficients de régression mesurent l’effet d’un changement
d’une unité de x1 sur la moyenne de Y alors que les effets estimés correspondent à une

variation de deux unités de -1 à +1. De même, le coefficient estimé de x2 est égale à la moitié
de l’effet du débit d’arsénique, et le coefficient estimé du produit mixte est égale à la moitié
de l’effet de l’interaction.

L’analyse de régression est présentée dans le tableau ci-dessous. Puisque la valeur de P

associée au test F pour le modèle dans la partie du tableau correspondante à l’analyse de la
variance (ou ANOVA) est faible (inférieure à 0.05), on peut conclure qu’un ou plusieurs
effets sont importants. Le test t pour l’hypothèse H 0 : i  0 contre H1 : i  0 (pour chaque

coefficient 1 , 2 , et 12 de l’analyse de régression) est identique à celui calculé à partir de

l’erreur type des effets dans le tableau ci-dessus. Par conséquent, les résultats du tableau
suivant peuvent être interprétés d’une manière identique au test t des coefficients de
régression. Puisque les valeurs estimées des coefficients de régression sont égales à la moitié
des valeurs estimées des effets, les erreurs types du tableau ci-dessous sont égales à la moitié
des celles du tableau ci-dessus. Le test t de l’analyse de régression est identique au test t
obtenu à partir de l’erreur type d’un effet pour un plan 2k chaque fois que la valeur estimée
de ̂ 2 est la même dans les deux analyses.

27 
 
 

Il faut noter que l’erreur moyenne quadratique est égale à la valeur estimée de ̂ 2
calculée

précédemment.

De manière similaire à l’analyse de régression, un modèle plus simple qui comprend

uniquement les effets les plus importants est préférable pour prédire la réponse. Puisque le test
t pour l’effet principal B et l’effet de l’interaction ABindique que ces effets ne sont pas
significatifs, ces termes sont éliminés du modèle. Le modèle devient

 0.836 
yˆ  14.389    x1
 2 

On constate que le coefficient de régression estimé pour n’importe quel effet reste le même,
indépendamment du modèle considéré. Bien que cela n’est pas vrai en général pour une
analyse de régression, une valeur estimée d’un coefficient de régression ne dépend pas du
modèle dans un plan factoriel. Par conséquent, il est facile d’évaluer les changements du
modèle lorsque les données sont collectées. On peut aussi revoir la valeur estimée de  2 en
utilisant la moyenne quadratique de l’erreur obtenu à partir de la table de ANOVA pour le
modèle le plus simple (présenté ci-dessus).

28 
 
 

Ces méthodes d’analyse statistiques pour les plans 2k sont récapitulées ci-après

En plus, un logiciel peut fournir plus de détails dansun tableau des résultats de ANOVA. Par
exemple, les résultats de Minitab pour l’exemple ci-dessus sont donnés dans le tableau ci-
dessous. Les estimations des coefficients et le test t sont les mêmes que ceux des tableaux ci-
dessus. Dans le tableau de ANOVA, Minitab fournit d’autres sommes des carrés.
La somme des carrés associée à un effet dans un plan 2k est définit comme
(Contraste) 2
SS 
n2k
A chaque effet est associé un degré de liberté (car un effet est associé à un seul terme du
modèle de régression). Donc, la moyenne quadratique pour un effet est égale à la somme des
carrés.

29 
 
 

Dans le tableau des résultats de Minitab, la somme des carrés des « effets principaux » plus
« interactions entre deux facteurs » (2.81367 + .00397 = 2.81764) est égale à la somme des
carrés du modèle. En général, Minitab décompose la somme des carrés du modèle de la façon
suivante :

SS (Modèle)  SS (Effets Principaux)  SS (Interactions)

Ceci permet de décomposer la somme des carrés du modèle et donne des résumés qui peuvent
être utilisés pour tester l’importance des groupes d’effets. Les détails sont décrits ci-après.
Dans un plan avec plus de facteurs, Minitab ajoute d’autres termes à la décomposition tel que
SS (Interactions entre trois facteurs) et ainsi de suite.

La seule interaction entre deux facteurs dans cet exemple est AB dont la somme des carrés est
égale à 0.00397. Le statistique F = 0.19 est égale à la somme des carrés pour cette interaction
divisée par la moyenne quadratique de l’erreur. La valeur de P associée au statistique F teste
la signification du terme d’interaction et la valeur 0.67 est en concordance avec l’analyse
précédente. Ce test-F est équivalent au test-t pour cet effet présenté dans les tableaux ci-
dessus.

Cependant, Minitab ne fournit pas la somme des carrés des effets principaux individuellement
pour les facteurs A et B. D’autres logiciels pourraient donner ces détails. Plutôt, Minitab
présente la somme des carrés des « Effets principaux » en tant que 2.81367. Cette valeur est
égale à la somme totale regroupée pour les facteurs A et B. C’est-à-dire,

30 
 
 

SS (Effets Principaux)  SS A  SSB  2.7956  0.0181  2.81367

Puisque le somme des carrés regroupés contient deux effets, il y a deux degrés de liberté
associés avec. Par conséquent, la moyenne quadratique est égale à 2.81367/2=1.40684 et le F-
statistique est égale à 1.40684/0.02079=67.67. Ce statistique teste l’hypothèse :

H 0 : 1   2  0 (signifie que ni A ni B est indispensable pour le modèle) contre H1 : i  0 .

Ce test est équivalent au test de régression pour un groupe de coefficients. Lorsque le nombre
des facteurs augmentent, il convient de tester les effets en groupes et Minitab effectue les tests
le plus communs.

La somme des carrés d’un groupe d’effet est obtenue en additionnant les sommes des carrés
individuels des effets

SS (Groupe de M Effets)  SS (Effet1 )  SS (Effet 2 )    SS (Effet M )

La même chose s’applique au nombre de degrés de liberté. Puisque chaque effet est associé à
un degré de liberté, un groupe de M effets a M degrés de liberté associés avec. Ces résultats
sont utilisés pour calculer la moyenne quadratique et le test-F pour le groupe.

Dans les résultats obtenus avec Minitab, la moyenne quadratique de l’erreur résiduelle est
égale à 0.02079 qui est en concordance avec les résultats précédents de l’erreur moyenne
quadratique. La ligne désignée “Erreur pure” a un résultat identique car l’erreur moyenne
quadratique est estimée entièrement à partir des mesures de répliques dans cet exemple. C’est-
à-dire, on a une estimation de  2 qui est obtenue entièrement des répliques qui ont 12 degrés
de liberté. Avec des expérimentations avec plus de facteurs, on pourrait avoir peu (ou même
aucune) réplique, et on pourrait utiliser la somme des carrés des effets qui ne présentent pas
probablement des effets réels pour obtenir une meilleure estimation de  2 . Dans ce cas, les
sommes des carrés des effets négligeables sont regroupées (additionnés) avec la somme des
carrés obtenue à partir des répliques (erreur pure) pour obtenir la somme des carrés de l’erreur
résiduelle. C’est-à-dire,

SS (Erreur résiduelle)  SS (Erreur pure)  SS (Effets négligeables)

La même addition s’applique aux degrés de liberté. Ce type de regroupement est fréquent
dans le cas d’expérimentation avec plusieurs facteurs. Dans ces cas, plusieurs degrés de
liberté sont associés avec des interactions d’ordre trois et plus et ces interactions d’ordre élevé

31 
 
 

pourraient être considérées négligeables. Donc, les sommes des carrés associées peuvent être
utilisés pour améliorer la valeur estimée de l’erreur moyenne quadratique.

Par exemple, le tableau ci-dessous montre le résultat de Minitab pour l’exemple traité à
l’exception que l’interaction AB est intégrée dans l’erreur résiduelle. Bien que la ligne
« Erreur pure » est inchangée, maintenant la somme des carrés et des degrés de liberté
associés à l’interaction ABsont présentés comme « Manque d’ajustement ». En plus, « l’erreur
résiduelle » est maintenant égale à la somme des carrés de l’interaction AB et des carrés de
l’erreur pure. Les degrés de liberté sont aussi additionnés. La moyenne quadratique pour
l’erreur résiduelle de valeur 0.01950 est maintenant utilisée comme estimation de  2 . Ainsi,
les statistique t et F sont légèrement modifiés à cause de ces estimations modifiées.

En général, « un manque d’ajustement » désigne la somme des carrés de tous les effets qui
sont intégrés dans l’erreur (seulement l’interaction AB dans cet exemple). Les effets intégrés
dans l’erreur devraient être négligeables par rapport au bruit dans l’expérimentation et
Minitab calcule le rapport entre la moyenne quadratique pour un manque d’ajustement et
l’erreur pure (= 0.00397/0.02079 = 0.19). Dans cet exemple, on obtient un résultat identique
au test sur l’importance de l’interaction AB, mais le terme correspondant au manque
d’ajustement peut contenir des effets supplémentaires dans des expériences avec plus de
facteurs. On s’attend que le test Fsur le manque d’ajustement ne soit pas significatif (valeur
de P élevée) car les effets intégrés dans l’erreur résiduelle doivent être négligeables. Si le test

32 
 
 

est significatif, on peut s’interroger sur la validité de l’intégration des sommes des carrés des
effets négligés dans l’erreur.

33 
 
 

3.4 Utilisation du logiciel Minitab pour le calcul et l’analyse des effets et des coefficients

Exemple 1 traité sur Minitab 19 et des calculs complémentaires sont effectués avec Excel

Coefficients codés

Coef Valeur Valeur

Terme Effet Coeff ErT de T de p FIV
Constan 14,3889 0,0360 399,17 0,000
te
A 0,8360 0,4180 0,0360 11,60 0,000 1,00
B -0,0673 -0,0336 0,0360 -0,93 0,369 1,00
A*B 0,0315 0,0157 0,0360 0,44 0,670 1,00

Les trois graphes suivants sont utilisés pour déterminer l’importance des effets. Noter que le
diagramme de Pareto représente les valeurs absolues des valeurs de T. La valeur de 2.18
correspond à t0.025,12 .

34 
 
 

Calcul des intervalles de confiance des effets sur Excel

Réponses:Epaisseurs en microns

Réplique Réplique Réplique Réplique

A B 1 2 3 3 Somme Moyenne Variance
-1 -1 14,037 14,165 13,972 13,907 56,081 14,015 0,012
1 -1 14,821 14,757 14,843 14,878 59,299 14,826 0,003
-1 1 13,88 13,86 14,032 13,914 55,686 13,935 0,006
1 1 14,888 14,921 14,415 14,932 59,156 14,756 0,063
=SOMME(D9:G9) =MOYENNE(D9:G9) =VAR.S(D9:G9)

35 
 
 

Moyenne des
variances = 0,021 =MOYENNE(L4:L7)

Var
Effet = 0,0052 =G12/(4*2^(2-2))

se_Effet
= 0,0721 =RACINE(F18)
Degré de lib Effet = 12
Int. de confiance
95%
Statistique Valeur de
Effet Valeur t P lim. Inf. lim. Sup
A 0,836 11,60 0,00 0,692 0,980
B -0,067 -0,93 0,37 -0,211 0,077
AB 0,032 0,44 0,67 -0,112 0,176
=LOI.STUDENT.BILATERALE(D32;$D$25)
=C34-2*$C$23

Calcul sur Minitab des coefficients

Coefficients codés

Valeur Valeur
Terme Effet Coeff Coef ErT de T de p FIV
Constante 14,3889 0,0360 399,17 0,000
A 0,8360 0,4180 0,0360 11,60 0,000 1,00
B -0,0673 -0,0336 0,0360 -0,93 0,369 1,00
A*B 0,0315 0,0157 0,0360 0,44 0,670 1,00

FIV : Facteur d’inflation de la variance

36 
 
 

Equation de régression en unités codées

Réponses = 14,3889 + 0,4180 A - 0,0336 B + 0,0157 A*B

Analyse de la variance
SomCar Valeur
Source DL ajust CM ajust Valeur F de p
Modèle 3 2,81764 0,93921 45,18 0,000
Linéaires 2 2,81367 1,40684 67,67 0,000
A 1 2,79558 2,79558 134,47 0,000
B 1 0,01809 0,01809 0,87 0,369
Interactions à 2 1 0,00397 0,00397 0,19 0,670
facteur(s)
A*B 1 0,00397 0,00397 0,19 0,670
Erreur 12 0,24948 0,02079
Total 15 3,06712

Simplification du modèle

Equation de régression en unités codées

Réponses = 14,3889+ 0,4180 A

Coefficients codés
Coef Valeur Valeur
Terme Effet Coeff ErT de T de p FIV
Constante 14,3889 0,0348 413,27 0,000
A 0,8360 0,4180 0,0348 12,01 0,000 1,00

Analyse de la variance
SomCar CM Valeur Valeur
Source DL ajust ajust F de p
Modèle 1 2,79558 2,79558 144,13 0,000
Linéaires 1 2,79558 2,79558 144,13 0,000
A 1 2,79558 2,79558 144,13 0,000
Erreur 14 0,27154 0,01940
Inadéquation de 2 0,02206 0,01103 0,53 0,601
l'ajustement
Erreur pure 12 0,24948 0,02079
Total 15 3,06712

37 
 
 

3.5 Analyse des résidus et vérification du modèle

L’analyse d’un plan 2k suppose que les observations ont une distribution
normale et ont des distributions indépendantes avec la même variance à chaque
traitement ou niveau du facteur. Ces hypothèses doivent être vérifiées par
l’examen des résidus. Les résidus sont calculés de la même façon que l’analyse
de régression. Un résidu est la différence entre la valeur de l’observation y et
sa valeur estimée (ou ajustée) obtenue à partir du modèle de régression, noté ŷ .
Chaque résidu est calculé par la formule suivante

e  y  yˆ

L’hypothèse de normalité peut être vérifiée en construisant le tracé de

probabilité de la loi normale des résidus. Pour vérifier l’hypothèse de variances
égales à chaque niveau de facteur, on représente graphiquement les résidus à
chaque niveau de facteur et on compare la dispersion des résidus. Il est aussi
utile de représenter les résidus en fonction de ŷ ; la variabilité des résidus ne
doit pas en aucune manière dépendre de la valeur de ŷ . Si une allure (une
certaine tendance) apparait dans le graphique, cela indique souvent un besoin de
transformer les données, c’est-à-dire, analyser les données dans une échelle
différents. Par exemple, si la variabilité des résidus augmente avec ŷ , une

transformation telle que log y ou y doit être utilisée. Pour certains

problèmes, la dépendance de la dispersion du résidu avec la valeur ajustée ŷ

constitue une information très importante. Il peut être désirable de choisir le
niveau du facteur qui donne la réponse maximale ; cependant, ce niveau peut
aussi produire plus de variation de la réponse d’un essai à un autre.

L’hypothèse d’indépendance des distributions peut être vérifiée en représentant

les résidus en fonction du temps ou ordre d’essais dans lequel l’expérimentation
a été effectuée. Une tendance dans cette courbe telles que des séquences de
résidus positives et négatives peut indiquer que les observations ne sont pas
indépendantes. Cela indique que le temps ou l’ordre d’exécution des essais est
important ou il existe des variables qui change au cours du temps et qui n’ont
pas été inclues dans le plan d’expériences. Ce phénomène doit être étudié dans

38 
 
 

une nouvelle expérience. Il est facile d’obtenir les résidus à partir d’un plan 2k
en utilisant un modèle de régression des données.

Suite de l’exemple : Procédé épitaxial

Pour le procédé épitaxial de l’exemple traité ci-dessus, le modèle de régression

simplifié est

 0.836 
yˆ  14.389    x1
 2 

où la seule variable retenue est la durée de déposition.

Ce modèle peut être utilisé pour obtenir les valeurs estimées aux quatre coins du
carré du plan (voir représentation géométrique d’un plan d’expérience ci-
dessus). Par exemple, considérons le point correspondant à la courte durée de
déposition, ( x1  1 ), et un niveau bas du débit d’arsénique. La valeur estimée
par le modèle est

 0.836 
yˆ  14.389    ( 1)  13.971  m
 2 

et les résidus sont

e1  14.037  13.971  0.066 e3  13.972  13.971  0.001

e2  14.165  13.971  0.194 e4  13.907  13.971  0.064

Il est aussi facile de vérifier que le reste des valeurs estimées et des résidus sont,
pour une courte durée de déposition ( x1  1 ) et un débit d’arsénique élevé,

yˆ  14.389  (0.836 / 2)( 1)  13.971  m

e5  13.880  13.971  0.091 e7  14.032  13.971  0.061

e6  13.860  13.971  0.111 e8  13.914  13.971  0.057

Pour une longue durée de déposition ( x1  1 ) et un débit d’arsénique faible,

yˆ  14.389  (0.836 / 2)( 1)  14.807  m

39 
 
 

e9  14.821  14.807  0.014 e11  14.843  14.807  0.036

e10  14.757  14.807  0.050 e12  14.878  14.807  0.071

Pour une longue durée de déposition ( x1  1 ) et un débit d’arsénique élevée,

yˆ  14.389  (0.836 / 2)( 1)  14.807  m

e13  14.888  14.807  0.081 e15  14.415  14.807  0.392

e14  14.921  14.807  0.114 e16  14.932  14.807  0.125

Interprétationsdes résultats :

Un tracé de la droite de normalité des résidus calculés ci-dessus est présenté

dans la figure ci-dessous. Ce graphique suggère que le résidu e15 pourrait être
une valeur aberrante. L’examen des quatre répliques correspondantes à une
durée de déposition longue et un débit d’arsénique élevé révèle que
l’observation y15  14.415 est considérablement plus petite que les trois autres
observationsà cette combinaison de traitement. Cela ajoute des évidences en
plus de la tentative de conclure que l’observation 15 est une valeur aberrante.
Une autre explication à cette valeur aberrante est que d’autres variables du
procédé ont une influence sur la variabilité de l’épaisseur de la couche
épitaxiale. Si on peut trouver quelles sont les variables qui produisent cet effet,
on pourrait peut-être régler ces variables à des niveaux qui minimisent la
variabilité de l’épaisseur de la couche épitaxiale. Cela peut avoir des
conséquences sur les étapes de fabrication ultérieures. Les figures ci-dessous
présentent les résidus en fonction de la durée de déposition et du débit
d’arsénique, respectivement. A part la valeur de résidu y15 exceptionnellement
élevée, il n’y a aucune évidence forte que la durée de déposition ou le débit
d’arsénique influencent la variabilité de l’épaisseur de la couche épitaxiale.

40 
 
 

Tracé de probabilité des résidus (Droite de Henry)

Valeurs des résidus à chaque niveau des facteurs A et B.

L’écart type de l’épaisseur de la couche épitaxiale pour les quarres essais du plan 22

41 
 
 

Analyse des résidus et vérification du modèle sur Minitab

42 
 
 

Chapitre V : LesPlan Factoriels à plus que deux facteurs

(Plans 2k ( k  3 ))

5.1 Les plans à trois facteurs 23

5.1.1 Calcul des effets et des interactions

Les plans factoriels à deux facteurs, k  2 , dont chaque facteur a deux niveaux, peuvent
êtreétendus aux plans à plus que deux facteurs. Par exemple, considérons k  3 dont
chaque facteur a deux niveaux. Ce plan est un plan factoriel 2 3 et comprend huit essais ou
combinaisons de traitements. Géométriquement, ce plan est représenté par un cube présenté
dans la figure ci-dessous, avec les huit essais qui forment les coins du cube. La matrice
d’essais est présentée ci-dessous. Ce plan permet d’estimer les effets principaux (A, B, et C)
ainsi que trois interactions d’ordre deux (AB, AC, et BC) et une interaction d’ordre trois
(ABC).

Les effets principaux peuvent être facilement estimés. Rappelons que les lettres minuscules
(1), a, b, ab, c, ac, bc, et abc représentent la somme des n répliques à chacun des huit essais
du plan. Comme montré dans la figure ci-dessus, l’effet principal de A peut être estimé par
le moyennage des quatre combinaisons de traitement du côté droit du cube, dans lesquelles
A est au niveau haut, et en soustrayant de cette quantité la moyenne des quatre
combinaisons de traitement du côté gauche du cube, dans lesquelles A est au niveau bas.
Cela donne

43 
 
 

A  y A  y A
a  ab  ac  abc (1)  b  c  bc
 
4n 4n

De la même manière, l’effet de B est égal à la différence des moyennes entre la moyenne
des quatre combinaisons de traitement de la face arrière et la moyenne des quatre
combinaisons de traitement de la face avant. L’effet de C est la différence de la moyenne
des réponses entre les quatre combinaisons de traitement de la face supérieure du cube et la
moyenne des quatre de la face inférieure.

Ces équations peuvent s’écrire sous la forme suivante

44 
 
 

L’effet d’une interaction d’ordre deux peut être calculée facilement. Une mesure de
l’interaction est la différence entre la moyenne des effets de A aux deux niveaux de B. Par
convention, la moitié de la différence est appelée l’interaction AB. Soit symboliquement

L’interaction AB est la moitié de cette différence et on peut l’écrire comme suivant

abc  ab  c  (1) bc  b  ac  a
A 
4n 4n

45 
 
 

Sous cette forme, l’interaction AB peut facilement être observée comme la différence des
moyennes des essais sur les deux plans diagonaux du cube dans la figure ci-dessus.
Appliquons la même logique et faisons référence à la figure ci-dessus, on trouve les
expressions suivantes des interactions AB, AC, et BC

L’interaction ABC est définie comme la moyenne entre les interactions AB pour les deux
différents niveaux du facteur C. C’est-à-dire,
1
ABC 
4n
 abc  bc   ac  c   ab  b   a  (1)
ou

Comme précédemment, on peutconsidérer l’interactionABC comme une différence de deux

moyennes. Si les essais des deux moyennes sont séparés en deux groupes, chaque groupe
d’essais est défini par les sommets de l’un des deux tétraèdres formés par le cube.

Dans les équations ci-dessus, les quantités entre les crochets sont des contrastes des
combinaisons de traitement. Un tableau des signes plus et moins qui peut être développé à
partir des contrastes est donné ci-dessous. Les signes des effets principaux sont déterminés
par l’association d’un signe plus à un niveau haut et d’un signe moins à un niveau bas. Une
fois les signes des effets principaux sont établis, les signes des autres colonnes sont obtenus
en multipliant les colonnes précédentes appropriées ligne par ligne. Par exemple, les signe
de la colonne AB sont les produits des signes des colonnes A et B pour chaque ligne. Le
contraste pour n’importe quel effet peut facilement être obtenu à partir de ce tableau.

46 
 
 

Le tableau ci-dessus présente plusieurs propriétés intéressantes :

1. A part la colonne identité I, chaque colonne a le même nombre de signes plus et moins.
2. La somme des produits des signes pour n’importe quelle paire de colonne est nulle ;
c’est-à-dire, les colonnes du tableau sont orthogonales.
3. Multiplions n’importe quelle colonne par la colonne I garde la colonne inchangée ;
c’est-à-dire, I est un élément identité.
4. Le produit de n’importe quelle paire de colonnes donne une autre colonne du tableau,
par exemple, A  B  AB et AB  ABC  A 2 B 2 C  C , car n’importe quelle colonne
multipliée par soit même donne la colonne identité.

Une estimation de n’importe quel effet ou interaction dans un plan 2k est déterminée en
multipliant les combinaisons de traitement dans la première colonne du tableau par les
signes correspondants à la colonne de l’effet principal ou de l’interaction, faisons la somme
des résultats pour obtenir le contraste, et divisant le contraste par la moitié du nombre total
des essais du plan.

Exemple 2 : Rugosité de la surface d’une pièce usinée

Un ingénieur en Génie Mécanique étudie la rugosité de la surface d’une pièce usinée. Un

plan factoriel est établi pour les facteurs suivants : la vitesse d’avance (A), la profondeur de
passe (B) et l’angle de l’outil de coupe (C), avec n =2 répliques. Les niveaux des trois
facteurs sont : niveau bas de A = 0.50 m/mn ; niveau haut de A = 0.75 m/mn ; niveau bas de
B = 0.6 mm ; niveau haut de B = 1.0 mm ; niveau bas de C = 15° ; niveau haut de C = 25°.
Le tableau ci-dessous présente les données de rugosités de surface. Estimer les effets et les
interactions et construire un intervalle de confiance de 95% pour chaque effet et interaction.

47 
 
 

Réponses :

Les effets principaux peuvent être estimés en utilisant les formules ci-dessus. L’effet du
facteur A, par exemple, est

1
A [ a  ab  ac  abc  (1)  b  c  bc ]
4n
1
 [22  27  23  30  16  20  21  18]
4(2)
1
 [27]  3.375
8

On peut facilement vérifier que les autres effets et interactions sont

B  1.625 C  0.875
AB  1.375 AC  0.125
BC   0.625 ABC  1.125

L’examen des valeurs des effets montre clairement que la vitesse d’avance (facteur A) est le
facteur dominant, suivi par la profondeur de passe (B) suivi par l’interaction AB, bien que
l’effet de l’interaction soit relativement faible.

Pour l’étude de la rugosité de surface, on trouve à partir de la mise en commun des

variances de chacun des huit essais que la variance globale est ˆ 2  2.4375 , voir le détail
de calcul dans le tableau ci-dessus, et la valeur estimée de l’erreur type de chaque effet est
donc

ˆ 2
se(Effet)    2.4375 / (2  23 2 )   0.78
n2k  2

Donc, les limites des deux erreurs types appliquées aux estimations des effets sont :

48 
 
 

A: 3.375  1.56 B: 1.625  1.56

C: 0.875  1.56 AB : 1.375  1.56
AC : 0.125  1.56 BC : 0.625  1.56
ABC : 1.125  1.56

Ces intervalles sont approximativement des intervalles de confiance à 95 %. Ils indiquent

que les deux effets principaux A et B sont importants, mais que les autres effets ne le sont
pas, car les intervalles de tous les effets à part ceux de A et B comprennent la valeur zéro. □

L’approche utilisant l’intervalle de confiance est équivalent au test t et constitue une

méthode simple d’analyse. Avec des modifications relativement simples, cette approche
peut être utilisée lorsque seulement quelques essais du plan sont répliqués. Le tracé de
probabilité de la loi normale (droite de Henry) peut aussi être utilisé pour juger de
l’importance des effets. On illustre cette méthode dans la section suivante.

5.1.2 Modèle de régression et analyse des résidus

On peut obtenir les résidus pour un plan 2k en utilisant la méthode introduite

précédemment pour un plan 22 . Par exemple, considérons l’étude expérimentale de la
rugosité de la surface. Le modèle initial pour cette étude comprend tous les termes, soit

y   0  1 x1   2 x2
 12 x1 x2  13 x1 x3   23 x2 x3
 123 x1 x2 x3  

Cependant, les trois effets les plus importants sont A, B , et l’interaction AB .

Suite de l’exercice n° 2

Les coefficients de régression 1 ,  2 et 123 sont estimés en utilisant la moitié des effets

correspondants, et 0 est la moyenne générale. Donc,

 3.375   1.625   1.375 

yˆ  11.0625    x1    x2    x1 x2
 2   2   2 

et les valeurs prédites à partir du modèle sont obtenues en remplaçant les niveaux hauts et
bas de A et B dans cette équation. Pour illustrer cela, pour la combinaison de traitement
dans laquelle A, B et C sont tous au niveau bas, la valeur prédite est

49 
 
 

 3.375   1.625   1.375 

yˆ  11.0625    ( 1)    ( 1)    ( 1)( 1)
 2   2   2 
 9.25

Puisque les valeurs observées pour cet essai sont 9 et 7, les résidus sont 9 - 9.25 = -0.25 et 7
- 9.25 = -2.25. Les résidus pour les autres essais sont calculés de la même manière.

Un tracé de probabilité de la loi normale (droite de Henry) est présenté ci-dessous. Puisque
les résidus sont approximativement alignés sur une droite, on ne soupçonne aucun problème
en relation avec la normalité des données. Il n’y a pas des indications des valeurs aberrantes
extrêmes. Il serait aussi utile de représenter les résidus en fonction des valeurs prédites et en
fonction des niveaux de chacun des facteurs A,B, et C.

5.2 Projection d’un plan 2k

N’importe quel plan 2k peut être réduit ou projeté sur un autre plan factoriel ayant moins de
variables (facteurs) si un ou plusieurs des facteurs originaux sont éliminés. Parfois, cela
peut fournir une nouvelle perception des facteurs restants. Par exemple, considérons
l’expérience de la rugosité de surface. Puisque le facteur C et toutes ses interactions sont
négligeables, on peut éliminer le facteur C du plan d’expériences.Cela conduit à réduire le
cube en un carré dans le plan A-B. Chacun des quatre essais dans le nouveau plan aura
quatre répliques. En général, si on supprime h facteurs de façon qu’il reste r  k  h
facteurs, le plan original 2k avec n répliques sera projeté sur un plan 2 r avec n 2 h répliques.

50 
 
 

5.3 Plan 2k à une seule réplique

En augmentant le nombre de facteurs dans un plan factoriel, le nombre des effets qu’on
peut estimer augmentent aussi. Par exemple, un plan 24 comprend 4 effets principaux, 6
interactions d’ordre deux, 4 interactions d’ordre trois et 1 interaction d’ordre quatre. Un
plan 26 a 6 effets principaux, 15 interactions d’ordre deux, 20 interactions d’ordre trois, 15
interactions d’ordre quatre, 6 interactions d’ordre cinq et une interaction d’ordre six. Dans
la plupart des cas, le principe de rareté des effetss’applique, c’est-à-dire, le système est en
général dominé par les effets principaux et l’interaction d’ordres faibles. Les interactions
d’ordre trois et plus sont généralement négligeable. Donc, lorsque le nombre des facteurs
est assez grand, disons k  4 ou 5, une pratique courante consiste à effectuer une seule
réplique pour chaque essai d’un plan 2k et d’intégrer les interactions d’ordre élevé pour
faire partie de l’estimation de l’erreur. Parfois, un plan 2k à une seule réplique est appelé
plan factoriel 2k sans répliques.

Lorsqu’on analyse des données d’un plan factoriel sans répliques, occasionnellement des
vraies interactions d’ordre élevé peuvent exister. L’estimation de l’erreur en intégrant les
interactions d’ordre élevé est inappropriée dans ces cas. Une méthode simple d’analyse
appelée tracé de probabilité normale des effets peut être utilisé pour surmonter ce
problème. On construit un graphique des valeurs estimées des effets sur une échelle de
probabilité normale. Les effets qui sont négligeables sont distribués normalement, avec une
moyenne zéro, et tendent à s’aligner sur une droite sur ce graphique. On illustre cela dans
l’exemple suivant.

Exemple 3 : Gravure au Plasma

Un article publié dans le journal « Solid State Technology » décrit l’utilisation d’un plan
factoriel dans le développement d’un procédé de gravure au plasma de nitrure de silicone
sur une machine de gravure au plasma à une seule plaque. Le procédé utilise le gaz C2 F6
comme gaz réactif. Il est possible de varier le débit du gaz, la quantité de poudre appliquée
sur la cathode, la pression de la chambre de réacteur, et l’espacement entre l’anode et la
cathode (jeu). Plusieurs variables de réponse sont souvent d’intérêt pour ce procédé, mais
dans cet exemple, on va se concentrer sur le taux de gravure de nitrure de silicone.

On va utiliser une seule réplique d’un plan 24 pour étudier ce procédé. Puisqu’il est peu
probable que les interactions d’ordre trois et quatre soient significatives, on va essayer de

51 
 
 

les combiner et l’utiliser pour estimer l’erreur. Les niveaux des facteurs sont donnés ci-
dessous :

Le tableau ci-dessous présente la matrice d’essais et les réponses des 16 essais. Le tableau
des signes moins et plus du plan 24 est donné ci-dessous. Analyser ce plan d’expériences.

52 
 
 

Réponses

Les signes des colonnes de ce tableau peuvent être utilisés pour estimer les effets des
facteurs. Par exemple, une estimation du facteur A est
1
A [ a  ab  ac  abc  ad  abd  abcd (1)  b  c  bc  d  bd  cd  bcd ]
4n
1
 [669  650  642  635  749  868  860  729
8
550  604  633  601  1037  1052  1075  1063]
 101.625

Donc, l’effet d’augmenter le jeu entre l’anode et la cathode de 0.50 à 1.20 cm est de réduire
la moyenne du taux de gravure de 101.625 Å /min (Angstrom).
Il est facile de vérifier que les effets estimés sont
A  101.625 B  1.625
AB  7.875 C  7.375
AC  24.875 BC  43.875
ABC  15.625 D  306.125
AD  153.625 BD  0.625
ABD  4.125 CD  2.125
ACD  5.625 BCD  25.375
ABCD  40.125

Le tracé de probabilité normale de ces effets à partir de l’expérimentation de la gravure au

plasma est présenté dans la figure ci-dessous. Il est clair que les effets principaux A et D et
l’interaction AB sont significatifs car ils sont éloignés de droite passant par les autres
points.

53 
 
 

L’analyse de la variance présentée dans le tableau ci-dessous confirme ces constations.

Noter que dans cette analyse de la variance, on a combiné les interactions d’ordre trois et
quatre pour former la moyenne quadratique de l’erreur. Si le tracé de probabilité indique
que l’une de ces interactions est importante, nous n’aurions pas l’intégrée dans le terme
d’erreur. Par conséquent,

ˆ 2  2037.4

et l’erreur type

1 2(2037.4)
se(coefficient)   11.28
2 16 / 2

Puisque A  101.625 , l’effet d’augmenter le jeu entre la cathode et l’anode est de diminuer
le taux de gravure. Cependant, D  306.125 ; donc, l’application des niveaux de puissance
plus élevés augmenteront le taux de gravure. La figure ci-dessous est un tracé de l’interaction
AD. Ce graphique montre que l’effet de changer le jeu à un niveau de puissance bas est faible
mais augmenter le jeu à un niveau de puissance élevé réduit dramatiquement le taux de
gravure. Ainsi, un taux de gravure élevé est obtenu avec une puissance élevée et un jeu faible.

54 
 
 

Les résidus de l’étude peuvent être obtenus à partir du modèle de régression suivant
 101.625   306.125   153.625 
yˆ  776.0625    x1    x4    x1 x4
 2   2   2 
Par exemple, lorsque A et D sont au niveau bas, la valeur prédite de la réponse est
 101.625   306.125   153.625 
yˆ  776.0625    ( 1)    ( 1)    ( 1)( 1)
 2   2   2 
 597
et les quatre résidus associés à cette combinaison de traitement sont

55 
 
 

e1  550  597  47

e2  604  597  7
e3  633  597  36
e4  601  597  4
Les résidus pour les trois autres combinaisons de traitement (A haut, D bas), (A bas, D haut),
(A haut, D haut) sont obtenus de la même manière. Un tracé de probabilité normale des
résidus est donné ci-dessous. Le graphique est satisfaisant. Il sera aussi utile de représenter les
résidus en fonction des valeurs prédites et aussi en fonction des niveaux de chaque facteur.

5.4 Ajout de points au centre

Un problème potentiel dans l’utilisation de plans factoriels à deux niveaux est l’hypothèse de
linéarité des effets des facteurs dans le domaine d’étude. Bien sûre, une linéarité parfaite n’est
pas nécessaire, et un plan 2k peut fonctionner correctement même lorsque l’hypothèse de
linéarité n’est respectée qu’approximativement. Cependant, il existe une méthode de
réplication de certains points du plan 2k qui permet de détecter l’existence d’une courbure
ainsi que de permettre d’obtenir une estimation indépendante de l’erreur. La méthode consiste
à ajouter des points au centre du plan 2k .Ceux-ci sont constitués de nC répliques d’essai au

point xi  0, i  1, 2,, k . Une raison importante pour ajouter des répliques d’essai au point
au centre du plan factoriel est que ce point n’affecte pas les estimations des effets d’un plan
2k . Pour pouvoir utiliser le point au centre, les k facteurs doivent être des grandeurs
quantitatives. Si certains facteurs sont catégoriques (tels que Outil A et Outil B), la méthode
peut être modifiée pour s’adopter à cette situation.

56 
 
 

Pour illustrer cette approche, considérons un plan 2k avec une seule observation à chacun des
points factoriels ( , ), (  ,  ), ( ,  ), et (  ,  ) et nC observations au point du centre (0, 0) . La

figure ci-dessous illustre cette situation. Soit yF la moyenne des essais au quatre points

factoriels, et soit yC la moyenne des nC répliques au point central. Si la différence yF  yC est

faible, le point au centre est situé sur ou près du plan qui passe par les points factoriels, et il
n’y a pas de courbure. Par contre, si yF  yC est importante, la courbure existe.

Une statistique t utilisée pour tester la courbure est donnée par l’expression suivante

yF  yC
tCourbure 
 1 1 
ˆ 2   
 nF nC 

où nF est le nombre de points factoriels du plan et nC est le nombre du points au centre.

Plus particulièrement, quand des points sont ajoutés au centre d’un plan 2k , le modèle qu’on
peut considérer est

k k
Y   0    j x j   ij xi x j    jj x 2j  
j 1 i j j 1

où  jj est un effet quadratique pure. Le test de courbure réellement teste les hypothèses

suivantes
57 
 
 

k k
H 0 :   jj  0 H1 :   jj  0
j 1 j 1

En plus, si les points factoriels du plan ne sont pas répliqués, on peut utiliser le nC points au

centre pour construire une estimation de l’erreur avec nC  1 degrés de liberté. Ceci est
désigné par une estimation de l’erreur pure.

Exemple n° 4 : Rendement d’un procédé

Un ingénieur en Génie chimique étudie le pourcentage de conversion ou rendement d’un

procédé. Il y a deux variables d’intérêt, le temps de la réaction et la température de la réaction.
Puisqu’on n’est pas sûre de la validité de l’hypothèse de linéarité sur le domaine
d’exploration, l’ingénieur décide d’effectuer un plan d’expérience 22 (avec une seule réplique
pour chaque essai du plan factoriel) en ajoutant cinq points au centre. Le plan et le rendement
sont donnés dans la figure ci-dessous.

Réponses :

Le tableau ci-dessous résume l’analyse de cette expérience. Les valeurs estimées de l’erreur
pure est calculée à partir des points au centre de la manière suivante

5
 ( yi  yC ) 2  ( y  40.46)
i
2
0.1720
ˆ 
2 points au centre
 i 1
  0.0430
(nC  1) 4 4

58 
 
 

La moyenne des points de la portion factoriel du plan est yC  40.46 . La différence

yF  yC  40.25  40.46  0.035 semble assez faible. Le rapport t de la courbure est calculé
à partir de l’équation ci-dessus de la manière suivante :

y F  yC 0.035
tCourbure    0.252
 1 1  1 1
ˆ 2    0.0430   
 nF nC   4 5

L’analyse indique qu’il n’y a pas une évidence d’une courbure dans la réponse dans le
k
domaine d’exploration ; c’est-à-dire, l’hypothèse nulle : H 0 :   jj  0 n’est peut pas être
j 1

rejetée.

Le tableau ci-dessous présente les résultats obtenus avec Minitab pour cet exemple. L’effet de
A est (41.5 + 40.9 – 40.0 – 39.3) = 1.55, et les autres effets sont obtenus de la même manière.
La valeur estimée de l’erreur pure (0.043) est en accord avec les résultats précédents.
Rappelons à partir de modélisation par régression que le carré du rapport t est le rapport F.
Par conséquent, Minitab utilise 0.252 2  0.06 comme rapport F pour obtenir un test identique
de la courbure. La somme des carrés pour la courbure constitue une étape intermédiairedans le
calcul du rapport F qui est égale au carré du rapport t quand la valeur estimée de  2 est omise
de l’équation. C’est-à-dire,

( yF  yC ) 2
SSCourbure 
1 1

nF nC

En plus, Minitab ajoute la somme des carrés de la courbure et l’erreur pure pour obtenir la
somme des carrés (0.17472) avec 5 degrés de liberté. La moyenne quadratique résiduelle
(0.03494) est une estimation combinée ou regroupée de  2 , et elle est utilisée dans le calcul
du rapport t des effets A, B, et AB. L’estimation combinée est proche de la valeur estimée de
l’erreur pure dans cet exemple parce que la courbure est négligeable. Si la courbure est
signifiante, la combinaison ne serait pas appropriée. L’estimation de l’ordonnée à l’origine 0
(40.444)est la moyenne des neuf mesures.

59 
 
 

5.5 Blocking et Confusion

Il est souvent impossible d’effectuer toutes les observations dans un plan factoriel 2k dans des
conditions homogènes. En se basant sur les notions initialement introduites ci-dessus,
blocking est une technique qui est appropriée dans cette situation générale. Cependant, dans
plusieurs situations, la taille du bloc est plus petite que le nombre d’essais pour une réplique
complète. Dans ces cas, la confusion est une procédure utile pour réaliser les essais d’un plan
2k en 2 p blocs où le nombre d’essai pour un bloc est inférieur au nombre de combinaisons de
traitement dans une réplique complète. La technique permet de causer certains effets
d’interaction impossible à distinguer des blocs, ou sont confondus avec les blocs. On illustre
la confusion d’un plan factoriel 2k en 2 p blocs, où p  k .

Considérons un plan 22 . Supposons que chacune des 2 2  4 combinaisons de traitement

nécessite 4 heures d’analyse au laboratoire. Donc, 2 jours sont nécessaires pour effectuer cette
expérience. Si les jours sont considérés des blocs, on doit affecter deux des quatre
combinaisons de traitement à chaque jour.

Ce plan est présenté dans la figure ci-dessous. On note que le bloc 1 contient les combinaisons
de traitement (1) et ab et le bloc 2 contient a et b. Les contrastes utilisés pour estimer les
effets principaux des facteurs A et B sont

60 
 
 

Contraste A  ab  a  b  (1)

ContrasteB  ab  b  a  (1)

hap

On note que ces deux contrastes ne sont pas affectés par le blocking car dans chaque
contraste, il y a une combinaison de traitement avec un plus et une autre avec signe moins
provenant de chaque bloc.

C’est-à-dire, toute différence entre le bloc 1 et le bloc 2 qui consiste à une augmentation des
valeurs de l’un des blocs par une constate additive sera neutralisée. Le contraste de
l’interaction AB est

Contraste AB  ab  (1)  a  b

Puisque les deux combinaisons de traitement qui ont le signe plus, ab et (1) appartiennent au
bloc 1 et les deux qui ont le signe moins, a et b, appartiennent au bloc 2, l’effet du bloc and
l’interaction AB sont identique. C’est-à-dire que l’interaction AB est confondu avec les blocs.

La raison pour cela apparait dans la matrice des signes plus et moins d’un plan 22 . A partir de
cette matrice, on aperçoit que toutes les combinaisons de traitement qui ont un signe plus dans
la colonne AB sont affectés au bloc 1, alors que toutes les combinaisons de traitement qui ont
un signe moins dans cette colonne sont affectées au bloc 2.

Cette démarche peut être appliquée pour la confusion de n’importe quel plan 2k en deux
blocs. Comme deuxième exemple, considérons un plan 2 3 exécuté en deux blocs. A partir de
la matrice des signes plus et moins, on affecte les combinaisons de traitement qui ont un signe
moins dans la colonne ABC au bloc 1 et ceux qui ont le signe plus dans la colonne ABC au
bloc 2. Le plan résultant est donné ci-dessous.
61 
 
 

Exemple n° 5 : Ecart en distance d’un missile

Une expérience est effectuée pour étudier l’effet de quatre facteurs sur l’écart en distance au
niveau du cible d’un missile sol air tiré à l’épaule. Les quatre facteurs sont : type de cible (A),
type de tête chercheuse (B), altitude de la cible (C), et portée de la cible (D). Chaque facteur
peut être testé d’une manière appropriée pour deux niveaux, et le système optique de repérage
permet de mesurer l’écart en distance au niveau du cible et d’arrondir cette valeur. Deux
différents opérateurs ou tireur sont utilisés dans l’essai de vol et puisqu’il peut y avoir des
différences entre les opérateurs, les ingénieurs d’essais décident d’effectuer un plan factoriel
24 constitué de deux blocs confondus avec l’interaction ABCD.

Le plan d’expérience et les résultats sont présentés ci-dessous. Les valeurs estimées des effets
obtenues avec Minitab sont présenté ci-dessous. Le tracé de probabilité de la loi normale des
effets de la figure ci-dessous montre que A (le type de cible), D (porté du cible), AD, et AC
ont des effets élevés. Une analyse de variance de confirmation qui intègre les interactions
d’ordre trois pour constituer l’erreur est présenté dans le tableau ci-dessous. Puisque les
interactions AC et AD sont significatifs, il est logique de conclure que A (le type de cible), (C)
altitude de la cible, et (D) portée de la cible ont tous des effets importants sur l’écart en
distance et qu’il y a des interactions entre le type de cible et l’altitude et entre le type de cible
et la portée. On doit noter que l’effet de ABCD est traité comme des blocks dans cette analyse.

62 
 
 

63 
 
 

Il est possible de structurer un plan 2k en quatre blocs de 2 k  2 chacun. Pour construire ce

plan, deux effets sont choisis pour qu’ils soient confondus avec les blocs. Un troisième effet,
l’interaction généralisé des deux effets initialement choisis, est aussi confondu avec les blocs.
L’interaction généralisé des deux effets est déterminée en multipliant leurs lettres respectives
et en réduisant les exposants modulo 2.

Par exemple, considérons un plan 24 formé de quatre blocs. Si AC et BD sont confondues

avec les blocs, leur interaction généralisée est (AC)(BD) = ABCD. Le plan est une partition
des traitements selon les signes de AC et BD. Il est facile de vérifier que les quatre blocs sont
les suivants

Cette procédure générale peut être utilisée pour répartir un plan 2k en 2 p blocs, où p  k
.Commençons par le choix de p effets à confondre, de manière qu’aucun effet ne soit
l’interaction généralisée des autres. Ensuite, les blocs peuvent être formés à partir des p
contrastes de détermination L1 , L2 , , L p qui sont associés avec ces effets. En plus de p effets

choisis pour qu’ils soient confondus, il existe exactement 2 p  p  1 effets en plus confondus

64 
 
 

avec ces blocs ; ceux-ci sont des interactions généralisées des p effets originalement choisis.
Des précautions doivent être prise de ne pas confondre des effets qui ont un intérêt potentiel.

65 
 
 

Chapitre VI : Plans factoriels fractionnaires

Lorsque le nombre des facteurs dans un plan factoriel 2k augmente, le nombre d’essais requis
augmente aussi rapidement. Par exemple, un plan 2 5 nécessite 32 essais. Dans ce plan 5
degrés de liberté correspondent aux effets principaux, et 10 degrés de liberté correspondent
aux interactions d’ordre deux. Seize parmi 31 degrés de liberté sont utilisés pour estimer des
interactions d’ordres élevés, c’est-à-dire des interactions entre trois facteurs ainsi que des
interactions d’ordres plus élevés. Souvent, il y a peu d’intérêt à ces interactions d’ordres
élevés ; particulièrement, quand on commence à étudier un processus ou un système. Si on
peut supposer que certaines interactions d’ordres élevés sont négligeables, un plan factoriel
fractionnaire comprenant moins qu’un ensemble complet des 2k essais peut être utilisé pour
obtenir des informations sur les effets principaux et les interactions d’ordres bas. Dans ce
chapitre, on va introduire lesplans fractionnaires constitués d’une fractiond’un plan 2k .

Une utilisation principale des plans factoriels fractionnaires est dans la phase d’essais de
criblage. Ceux-ci sont des essais dans lesquels plusieurs facteurs sont considérés dont
l’objectif est d’identifier les facteurs (si quelques-unes existent) qui ont des effets importants
sur la réponse. Les essais de criblage sont souvent effectués dans une phase précoce d’une
étude expérimentale lorsqu’il est probable que plusieurs facteurs initialement considérés ont
peu ou aucun effet sur la réponse. Les facteurs qui sont identifiés importants sont ensuite
étudiés d’une manière plus approfondie dans les essais ultérieurs.

6.1 Plans factoriels 2k 1

Une fraction de 1/2 d’un plan factoriel 2k comprend 2k 1 essais et souvent appelée un plan
factoriel fractionnaire 2k 1 . Par exemple, considérons un plan 231 ; c’est-à-dire, une fraction
de 1/2 d’un plan 2 3 . Ce plan comprend seulement quatre essais ; contrairement à un plan
factoriel complet qui nécessite huit essais. La matrice des signes plus et moins d’un plan 2 3
est présentée ci-dessous. Supposons qu’on choisit les quatre combinaisons de traitement a, b,
c et abc pour la fraction de 1/2. Ceux combinaisons de traitement sont montrées dans la partie
supérieure de la matrice ci-dessous et dans la figure ci-dessous. On continue à utiliser aussi
bien les lettres minuscules ( a , b, c, ) ainsi que la notation géométrique ou la notation plus ou
moins pour les combinaisons de traitement.

66 
 
 

Il est à noter qu’un plan 231 est construit en gardant seulement les combinaisons de
traitement qui ont un signe plus pour l’effet ABC. Ainsi, ABC est appelé générateur de cette
fraction particulière du plan. En plus, l’élément identité I a aussi un signe plus pour les quatre
essais, donc on appelle
I  ABC
la relation de définition du plan.
Les combinaisons de traitement dans un plan 231 correspondent à trois degrés de liberté
associés aux effets principaux. A partir de la partie supérieure de la matrice ci-dessus, on
obtient les valeurs estimées des effets principaux sous forme de combinaisons linéaires des
observations :
1
A  a  b  c  abc 
2
1
B    a  b  c  abc 
2
1
C    a  b  c  abc 
2

67 
 
 

Il est aussi possiblede vérifier que les estimations des interactions d’ordre deux sont les
combinaisons linéaires suivantes des observations
1
BC   a  b  c  abc 
2
1
AC   a  b  c  abc 
2
1
AB    a  b  c  abc 
2

Donc, la combinaison linéaire des observations de la colonne A donne une estimation aussi
bien de l’effet principal Aque de l’interaction BC.Ainsi, cette combinaison linéaire donne une
estimation de ces deux effets A  BC . De la même manière, B donne une estimation de
B  AC et C donne une estimation de C  AB . Deux effets ou plus qui ont cette propriété
sont appelés aliases. Dans le plan 231 , A et BC sont des aliases, B et AC sont des aliases, et C
et AB sont des aliases. Le regroupement en aliases est le résultat direct du fractionnement d’un
plan factoriel. Dans plusieurs situations pratiques, il est possible de choisir la fraction du plan
de manière que les effets principaux et les interactions de niveaux bas qui présentent un
intérêt soient aliasés uniquement avec des interactions d’ordres élevés (qui sont probablement
négligeables).

La structure des aliases pour ce plan peut être déterminée en utilisant la relation de définition
I  ABC . Multiplions n’importe quel effet par cette relation de définition, on obtient les
aliases de cet effet. Dans notre exemple, l’aliase de A est
A  A  ABC  A 2 BC  BC
Puisque A  I  A et A2  I . Les aliases de B et C sont
B  B  ABC  AB 2 C  AC
et
C  C  ABC  ABC 2  AB

Maintenant, supposons qu’on a choisi l’autre 1/2 fraction ; c’est-à-dire, les combinaisons de
traitement de la matrice ci-dessus associées à un signe moins dans la colonne ABC. Ces quatre
essais sont présentés dans la partie inférieure de la matrice ci-dessus. La relation de définition
pour ce plan est I   ABC . Les aliases sont A   BC , B   AC , et C   AB . Donc, les
estimations de A, B, et C qui sont obtenues à partir de cette fraction en réalité estiment
A  BC , B  AC et C  AB . Pratiquement, ce n’est pas important quelle 1/2-fraction on

68 
 
 

choisit. La fraction qui a un signe plus est appelée fraction principale, alors que
l’autrefraction est souvent appelée la fraction alternative.
Il est à noter que si on a choisi AB comme générateur du plan factoriel fractionnaire
A  A  AB  A2 B  B

les effets principaux de A et B seraient aliasés. Ce choix fait perdre des informations
importantes sur les effets principaux.

Parfois, on utilise des séquences de plans factoriels fractionnaires pour estimer les effets. Par
exemple, supposons qu’on a effectué les essais de la fraction principal d’un plan 231 avec un
générateur ABC. Cependant, si après avoir effectué les essais de la fraction principal, on
trouve que des effets importants sont aliasés, il est possible de les estimer en effectuant les
essais de la fraction alternative. Ainsi, le plan factoriel est complété et les effets peuvent être
estimés en utilisant le calcul habituel. Puisque l’expérience a été effectuée sur deux périodes,
elle est confondue avec les blocs. On peut craindre que des changements dans les conditions
expérimentales peuvent influencer les estimations des effets. Cependant, on peut démontrer
que si le résultat d’un changement dans les conditions expérimentales est d’ajouter une
constante à toutes les réponses, seul l’effet de l’interaction ABC est influencé à cause de la
confusion ; les autres effets ne sont pas affectés. Donc, en combinant une séquence des deux
fractions d’un plan factoriel, on peut séparer aussi bien les effets principaux ainsi que les
interactions d’ordre deux. Cette propriété rend le plan factoriel fractionnaire très utiles dans
les études expérimentales car on peut réaliser des essais en séquence de petites
sériesd’expériences et de combiner ensuite les informations en provenance de plusieurs séries
d’expériences pour étudier un processus d’une manière sequentielle. Ceci constitue une
illustration du concept d’une expérimentation séquentielle.

Un plan 2k 1 peut être construit en commençant par un plan factoriel complet qui a k  1
facteurs, appelé plan de base, et d’ajouter ensuite le kème facteur en utilisant comme ses
niveaux plus et moins les mêmes signes plus et moins de l’interaction d’ordre le plus élevé.
Par exemple, un plan factoriel 231 est obtenu en construisant d’abord un plan factoriel
complet 22 et ensuite donner les mêmes signes de l’interaction  AB au facteur C. Donc,
pour construire la fraction principale du plan, on utilise C   AB comme illustré dans le
tableau suivant

69 
 
 

Pour obtenir la fraction alternative, on utilise pour la dernière colonne la relation C   AB .

Exemple n° 6 : Gravure au plasma

Pour illustrer l’utilisation de 1/2 fraction d’un plan, considérons l’expérience de gravure au
plasma décrite précédemment dans un exemple. Supposons qu’on a décidé d’utiliser un plan
2 4 1 avec I  ABCD pour étudier les quatre facteurs (A) le jeu, (B) la pression, (C) le débit du
C2 F6 et (D) le réglage de la puissance. Ce plan est construit en commençant d’abord par un

plan de base 2 3 en terme des facteurs A, B, et C et en définissant les niveaux pour le

quatrième facteur en utilisant D  ABC . Ce plan est présenté ci-dessous. On s’intéresse à
déterminer comment ce plan réduit affecte les résultats.

70 
 
 

Réponses
Dans ce plan, les effets principaux sont aliasés avec les interactions d’ordre trois ; noter que
l’aliase de A est
A  I  A  ABCD
A  A2 BCD  BCD
et de la même manière
B  ACD C  ABD D  ABC
Les interactions d’ordre deux sont aliasées les unes avec les autres. Par exemple, l’aliase de
AB est CD :
AB  I  AB  ABCD
AB  A2 B 2CD  CD
Les autres aliases sont
BD  AC et AD  BC

Les estimations des effets principaux et leurs aliases sont obtenues en utilisant les quatre
colonnes des signes dans le tableau ci-dessus. Par exemple, à partir de la colonne A, on obtient
l’estimation de l’effet sous forme d’une différence entre les moyennes des quatre essais qui
ont un signe + et les quatre essais qui ont un signe -
1
A  BCD  ( 550  749  1052  650  1075  642  601  729)  127.00
4
Les autres colonnes donnent
B  ACD  4.00
C  ABD  11.50
et
D  ABC  290.50

71 
 
 

Il est clair que les valeurs de A  BCD et D  ABC sont assez grands et si on suppose que
les interactions d’ordre trois sont négligeables, on peut constater que les effets principaux (A),
le jeu, et (D), le réglage de la puissance, affectent d’une manière significative le taux de
gravure.

Les interactions sont estimées en construisant d’abord les colonnes AB,AC, et AD et en

l’ajoutant au tableau. Par exemple, les signes de la colonne AB sont  , , ,  ,  , , ,  , et
cette colonne produit l’estimation suivante
1
AB  BCD  (550  749  1052  650  1075  642  601  729)  10.00
4
A partir des colonnes AC et AD, on trouve
AC  BD  25.50
AD  BC  197.50
La valeur estimée de AD  BC est assez grande ; l’interprétation la plus simple est que cette
valeur est grande à cause des effets principaux A et Dqui sont assez grands. Donc, c’est
l’interaction AD qui doit avoir une valeur élevée. Les résultats obtenus à partir du plan 2 4 1
sont en conformité avec ceux du plan factoriel complet traité dans un exemple précédent.

Tracé de probabilité normale et résidus

Le tracé de probabilité normale (la droite de Henry) est utile pour évaluer l’importance des
effets obtenus à partir d’un plan factoriel fractionnaire ; particulièrement, lorsque plusieurs
effets doivent être estimés. Cette approche est fortement recommandée. Les résidus peuvent
être déterminés à partir d’un plan factoriel en utilisant la méthode de modèle de régression
introduite précédemment. Les résidus doivent être analysés graphiquement comme indiqués
précédemment, aussi bien pour évaluer la validité des hypothèses du modèle retenu ainsi que
pour mieux comprendre les conditions expérimentales.

Projection d’un plan 2 k 1

Si un ou plusieurs facteurs peuvent être supprimés d’un plan 2k 1 , le plan peut être projeté sur
un plan factoriel complet de nombre de facteurs plus faible. Par exemple, la figure ci-dessous
présente un plan 231 . Noter que ce plan peut être projeté sur une plan factoriel complet à
l’une de paires de facteurs parmi les trois facteurs initiaux. Donc, si on considère qu’au
maximum deux de trois facteurs sont importants, le plan 231 est utilisé pour identifier
l’importance de ces deux facteurs. Cette propriété de projection est très utile dans la phase de

72 
 
 

criblage des facteurs, car, elle permet d’éliminer les facteurs négligeables, avec comme
résultat une expérience plus forte en termes des facteurs restants.

Exemple
Dans le plan 2 4 1 utilisé dans l’expérience de gravure au plasma dans l’exemple ci-dessus, on
a trouvé que deux facteurs (B et C) parmi quatre facteurs peuvent être éliminés. Si on élimine
ces deux facteurs, les colonnes restantes dans la matrice des signes forment un plan 22 en
termes des facteurs A et D, avec deux répliques. Ce plan est présenté dans la figure ci-dessous.
Les effets principaux A et D et l’interaction forte d’ordre deux AD apparaissent clairement
dans ce graphe.

73 
 
 

6.2Résolution d’un plan fractionnaire

La notion de résolution d’un plan permet declasser les plans factoriels fractionnaires en
fonction des formes des aliases qu’ils produisent. Les résolutions de plans III, IV et V sont
particulièrement importants. Les définitions de ces termes et un exemple pour chaque terme
sont présentés ci-après.

1. Plans de résolution III

Ces plans dans lesquels aucun effet principal n’est aliasés avec aucun autre effet principal,
mais les effets principaux sont aliasés avec les interactions d’ordre deux et certaines
interactions d’ordre deux pourraient être aliasées les unes avec les autres. Le plan 231 avec
I  ABC est un plan de résolution III. On utilise généralement un indice numérique Romain
pour désigner la résolution ; donc, cette 1/2 portion est un plan 23III1 .

2. Plans de résolution IV
Ceux-ci sont des plans dans lesquels aucun effet principal n’est aliasé avec un autre effet
principal ou des interactions d’ordre 2, mais les interactions d’ordre 2 sont aliasés entre eux.
Le plan 2 4 1 avec I  ABCD utilisé dans l’exemple ci-dessus est un plan de résolution IV (
2 4IV1 ).

3. Plans de résolution V
Ceux-ci sont des plans dans lesquels aucun effet principal ou des interactions d’ordre 2 n’est
aliasé avec un autre effet principal ou des interactions d’ordre 2, mais les interactions d’ordre
2 sont aliasés avec les interactions d’ordre trois. Le plan 251 avec I  ABCDE utilisé dans
l’exemple ci-dessus est un plan de résolution V ( 25V1 ).

Les résolutions III et IV sont particulièrement utiles dans les expériences de criblage des
facteurs. Une résolution IV fournit des bonnes informations sur les effets principaux et fournit
certaines informations sur toutes les interactions d’ordre deux.

6.3Les plans factoriels fractionnaires 2k  p

Bien que les plans 2k 1 sont utiles pour réduire le nombre d’essais dans une
étudeexpérimentale, on trouve fréquemment que des fractions plus petites d’un plan factoriel
fournissent presque autant d’informations avec encore moins d’essais. En général, un plan 2k
peut être réalisé en une fraction du plan 1 / 2 p appelée un plan factoriel fractionnaire 2k  p .
Donc, une fraction 1/4 est appelée un plan 2 k  2 , une fraction 1/8 est appelée un plan 2k 3 , une
fraction 1/16 est appelée un plan 2k 3 et ainsi de suite.

74 
 
 

Pour illustrer l’utilisation d’une fraction 1/4, considérons une expérience avec six facteurs et
supposons que l’ingénieur est principalement intéresséaux effets principaux mais voudrait
avoir quelques informations sur les interactions d’ordre deux. Un plan 26 1 nécessite 32 essais
et aurait 31 degrés de liberté pour estimer les effets. Parce qu’il y a seulement 6 effets
principaux et 15 interactions d’ordre deux, la fraction 1/2 n’est pas efficace car elle nécessite
trop d’essais. Supposons qu’on considère une fraction 1/4 , ou un plan 26  2 . Ce plan contient
16 essais et 15 degrés de liberté. Ce plan permettra d’estimer 6 effets principaux, et certaines
aptitudes pour étudier les interactions d’ordre deux.

Pour générer le plan 26  2 , on commence d’abord à construire un plan de base 24 en termes

des facteurs A, B, C, et D et on ajoute deux colonnes pour les facteursE et F. Pour déterminer
les signes des nouvelles colonnes, on choisit les deux générateurs de plans I  ABCE et
I  BCDF . Donc la colonne E serait déterminée à partir de E  ABC et F  BCD . C’est-à-
dire, les colonnes ABCE et BCDF sont égales à la colonne identité. Cependant, on sait que
le produit des deux colonnes de la matrice des signes plus ou moins d’un plan 2k est
simplement une autre colonne de la matrice. Par conséquent, le produit de ABCE et BCDF
égale à ABCE ( BCDF )  AB 2C 2 DEF  ADEF est aussi une colonne identité. Ainsi, la

relation complète de définition pour un plan 26  2 est

I  ABCE  BCDF  ADEF
On désigne chaque terme dans la relation de définition (telle que ABCE ci-dessus) par un
mot de définition. Pour trouver l’aliase de n’importe quel effet, on multiplie simplement
l’effet par chaque terme dans la relation de définition ci-dessus. Par exemple, l’aliase de A est
A  BCE  ABCDF  DEF
La liste des relations complètes des aliases pour ce plan est présentée dans le tableau ci-
dessous. En général, la résolution d’un plan 2k  p est égale au nombre de lettres du mot le plus
court dans la relation de définition. Par conséquent, ce plan est un plan de résolution IV.
Ainsi, les effets principaux sont aliasés avec les interactions d’ordre trois, et les interactions
d’ordre deux sont aliasés entre eux. Ce plan fournit des bonnes informations sur les effets
principaux et donne une certaine idée sur la force de interactions entre deux facteurs. La
construction et l’analyse de ce plan sont illustrées dans l’exemple ci-dessus.

75 
 
 

Exemple n° 7 : Expérience de moulage par injection

Des pièces fabriquées par moulage par injection présentent un retrait excessif ; qui causent
des problèmes pendant l’opération d’assemblage en aval de la zone de moulage par injection.
Dans un effort déployé pour réduire le retrait, une équipe d’amélioration de la qualité a décidé
d’utiliser un plan d’expériences pour étudier le procédé de moulage par injection. L’équipe a
considéré six facteurs- température de moulage (A), vitesse de rotation de la vis (B), temps de
maintien (C), temps du cycle (D), dimension de la buse d’injection, et la pression de maintien
(F). Chaque facteur a deux niveaux avec comme objectif d’étudier comment chaque facteur
affecte le retrait et pour obtenir des informations préliminaires permettant de comprendre
comment les facteurs interagissent.

L’équipe a décidé d’utiliser un plan factoriel fractionnaires à 16 essais, à deux niveaux pour
les six facteurs. Le plan est obtenu en construisant d’abord un plan de base 24 en termes des
facteurs A,B, C, et D et ensuite poser E  ABC et F  BCD comme indiqué ci-dessus. Le
tableau ci-dessous présente le plan, ainsi que la valeur de retrait (x10) de la pièce testée à
chacun des 16 essais. Analyser ce plan factoriel fractionnaire et identifier les niveaux des
facteurs qui réduisent la valeur moyenne du retrait au minimum tout en gardant une faible
variabilité d’une pièce à l’autre.

76 
 
 

Réponses

Minitab est utile pour analyser les plans factoriels fractionnaires. Le tableau ci-dessous
présente les résultats obtenus avec Minitab pour un plan 26  2 pour cet exemple. Les
générateurs du plan et les aliases sont présentés lorsque le plan est initialement créé. Les
estimations des effets et le tableau ANOVA sont présentés. Le test t et le test F ne sont pas
présentés dans les résultats de ANOVA car les facteurs non significatifs n’ont pas encore été
combinés pour former une estimation de l’erreur.

Un tracé de probabilité normale des valeurs estimées des effets à partir de cette étude
expérimentale est présenté dans la figure ci-dessous. Les seuls effets importants sont : A
(température du moule), (B) vitesse de rotation de la vis et l’interaction AB. A la lumière des
relations entre les alias dans le tableau ci-dessous, il semble raisonnable d’adopter avec
hésitation cette conclusion. Le tracé de l’interaction AB dans la figure ci-dessous montre que
le procédé n’est pas sensible à la température si la vitesse de la vis est au niveau bas mais le
procédé est sensible à la température si la vitesse de la vis est au niveau haut. Si la vitesse de
la vis est au niveau bas, le procédé doit produire un retrait de près de 10 % indépendamment
du niveau de température choisi.

Sur la base de l’analyse initiale, l’équipe a décidé de régler aussi bien la température que la
vitesse de la vis au niveau bas. Ces conditions doivent réduire le retrait moyen des pièces

77 
 
 

d’environ 10 %. Cependant, la variabilité du retrait d’une pièce à une autre reste un problème
potentiel. En effet, la moyenne du retrait peut être réduit d’une manière adéquate par les
modifications précédentes ; cependant, la variabilité d’une pièce à une autre du retrait sur un
cycle de production pourrait encore causer des problèmes pendant l’assemblage. Une façon
d’adresser ce problème est de voir si l’un des facteurs du procédé affecte la variabilité du
retrait des pièces.

La figure ci-dessous présente le tracé de probabilité normale des résidus. Ce tracé semble
satisfaisant. Les tracés des résidus en fonction de chaque facteur ont été ensuite construits.
L’un de ces tracés, celui des résidus en fonction du facteur C (durée de maintien) est présenté
dans la figure ci-dessous. Le tracé montre beaucoup moins de dispersion des résidus pour le
niveau bas de la durée de maintien. Les résidus sont obtenus de la manière courante à partir
d’un modèle de prévision du retrait
yˆ  ˆ0  ˆ1 x1  ˆ2 x2  ˆ12 x1 x2
 27.3125  6.9375 x1  17.8125 x2  5.9375 x1 x2

où x1 , x2 et x1 x2 sont les variables codées qui correspondent aux facteurs A et B et

l’interaction AB.
Le résidu est donc
e  y  yˆ

Le modèle de régression utilisé pour produire les résidus élimine essentiellement les effets de
localisation des A, B, et AB des données ; les résidus contiennent donc des informations sur la
variabilité inexpliquée. La figure ci-dessous montre qu’il y a une tendance dans la variabilité
et que la variabilité du retrait des pièces peut être plus petite lorsque la durée de maintien est
au niveau bas.

La figure ci-dessous présente les données de cette études projetées sur un cube représentant
les facteurs A, B et C. La moyenne et la plage des retraits observéssont indiquées à chaque
sommet du cube. En examinant cette figure, on constate que l’utilisation d’une vitesse de
rotation de la vis (B) au niveau bas est la clé pour réduire la moyenne des retraits de pièces. Si
B est au niveau bas, pratiquement n’importe quelles combinaisons de température (A) et de
durée de maintien (C) vont permettre d’obtenir des valeurs faibles du retrait des pièces.
Cependant, en examinant les plages de variation des valeurs de retrait à chaque sommet du
cube, il est aussitôt clair que l’ajustement de la durée de maintien (C) au niveau bas est le

78 
 
 

choix le plus approprié si on veut maintenir la variabilité du retrait d’une pièce à une autre à
un niveau bas au cours de la production.

79 
 
 

80 
 
 

L’idée utilisée pour construire un plan fractionnaire 26  2 dans l’exemple ci-dessus peut être
utilisée pour construire n’importe quel plan factoriel fractionnaire 2k  p . En général, un plan
factoriel fractionnaire qui comprend 2k  p essais est appelé une fraction 1 / 2 p d’un plan 2k ou
plus simplement un plan factoriel fractionnaire 2k  p . Ces plans nécessitent le choix de p
générateurs indépendants. La relation de définition du plan comprend le p générateurs
initialement choisis et le 2 p  p  1 interactions généralisées.

La structure des alias peut être déterminée en multipliant chaque effet par la relation de
définition. Il faut s’assurer du choix des générateurs de manière que les effets qui ont un
intérêt potentiel ne soient pas aliasés les uns avec les autres. Chaque effet a 2 p  1 aliases.
Pour une valeur assez élevée de k, on suppose en général que les interactions d’ordres élevés
(troisième, quatrième ou plus) soient négligeables, et ceci simplifie énormément la structure
des aliases.

Il est important de choisir les p générateurs pour le plan factoriel fractionnaire 2k  p d’une
manière qu’on obtient les meilleures relations possible d’aliases. Un critère raisonnable
consiste à choisir les générateurs de manière que le plan 2k  p résultant aura la résolution la
plus élevée. Un tableau est présenté ci-dessous des générateurs recommandés pour les plans
factoriels fractionnaire 2k  p pour k  11 facteurs et pour un nombre d’essais n  128 . Dans ce
tableau, les générateurs sont présentés avec le deux choix de signes + ou - . La sélection des
générateurs avec le signe + donne la fraction principale ; alors que si n’importe quel
générateur a un signe -, le plan sera l’une des fractions alternatives pour la même famille. Les
générateurs suggérés dans ce tableau donnent de plans de résolution la plus élevée possible.

81 
 
 

82 
 
 

Exemple : Aliases pour 7 facteurs

Pour illustrer l’usage du tableau ci-dessus, supposons qu’on a sept facteurs et qu’on
s’intéresse à estimer les sept effets principaux et obtenir une idée sur les interactions d’ordre
deux. On pourrait supposer que les interactions d’ordre trois ou plus négligeables. Cette
hypothèse laisse entendre qu’un plan de résolution IV serait convenable.

Réponse
Le tableau ci-dessus montre que deux fractions de résolution IV sont disponibles : la fraction
27IV 2 avec 32 essais et la fraction 27IV3 avec 16 essais. Les aliases impliquants les effets
principaux et les interactions d’ordre deux et trois pour le plan à 16 essais sont présentés dans
la figure ci-dessous. Il faut noter que la totalité de sept effets principaux sont aliasés avec les
interactions d’ordre trois. Toutes les interactions d’ordre deux sont aliasés en groupe de trois.
Donc, ce plan répond aux objectives ; c’est-à-dire, il permettra l’estimation des effets
principaux, et donnera une idée sur les interactions d’ordre deux. Il n’est pas nécessaire de
réaliser le plan 27IV 2 qui nécessite 32 essais. La construction du plan 27IV3 est présentée dans la

figue ci-dessous. Noter que ce plan est construit en commençant par les 16 essais du plan 24
en terme de A, B, C, et D comme plan de base et d’ajouter ensuite les trois colonnes
E  ABC , F  BCD , et G  ACD comme indiqué dans le tableau ci-dessous. Donc, les
générateurs du plan sont I  ABCE , I  BCDF , et I  ACDG . La relation de définition

83 
 
 

complète est I  ABCE  BCDF  ADEF  ACDG  BDEG  CEFG  ABFG . Cette
relation de définition est utilisée pour produire les aliases du tableau ci-dessous. Par exemple,
la relation des alias de A est A  BCE  ABCDF  DEF  CDG  ABDEG  ACEFG  BFG
qui lorsqu’on ignore les interactions d’ordres supérieurs à trois est en accord avec le tableau
ci-dessous.

84 
 
 

Exemple : Plan factoriel fractionnaire saturé

Pour un plan à sept facteurs, réduire encore plus le nombre d’essais.

Réponse
Le plan 27  4 est un plan à huit essais et sept variables. Ceci est une fraction 1/16èmequi est

obtenue en construisant d’abord un plan 23 comme un plan de base pour les facteurs A, B, et
C, et ensuite construire les quatre autres colonnes à partir des générateurs I  ABD ,
I  ACE , I  BCF et I  ABCG . Ce plan est présenté dans le tableau ci-dessous

La relation de définition complète est déterminée en multipliant les générateurs ensemble par
groupe de deux, trois, et finalement par quatre en même temps produisant

I  ABD  ACE  BCF  ABCG  BCDE  ACDF  CDG  ABEF

 BEG  AFG  DEF  ADEG  CEFG  BDFG  ABCDEFG

Les alias de n’importe quel effet principal sont déterminés en multipliant cet effet par chaque
terme dans la relation de définition ci-dessus. Par exemple, les alias de A sont

A  BD  CE  ABCF  BCG  ABCDE  CDF  ACDG  BEF

 ABEG  FG  ADEF  DEG  ACEFG  ABDFG  BCDEFG

Ce plan est de résolution trois car un effet principal est aliasé avec des interactions d’ordre
deux et plus. Si on suppose que les interactions d’ordre trois ou plus sont négligeables, les
aliases des sept effets principaux sont

85 
 
 

A  BD  CE  FG
B  AD  CF  EG
C  AE  BF  DG
D  AB  CG  EF
E  AC  BG  DF
F  BD  AG  DE
G  CD  BE  AF
Ce plan 27III 4 est appelé un plan fractionnaire saturé car tous les degrés de liberté ont été
utilisés pour estimer les effets principaux. Il est possible d’ajouter d’autres séquences d’essais
à ce plan factoriel fractionnaire de résolution III pour séparer les effets principaux des
interactions d’ordre deux.
   

86 
 
 

Chapitre VII : Méthodes et Plans des Surfaces de Réponses

7.1 Modèles de surfaces de réponses

La méthodologie de surface de réponses est une collection des techniques mathématiques et

statistiques qui sont utilisées pour la modélisation et l’analyse dans des applications dans
lesquelles la réponse d’intérêt est influencée par plusieurs variables et dont l’objectif est
d’optimiser cette réponse. Par exemple, supposons qu’un ingénieur en Génie chimique
souhaite déterminer les niveaux de température ( x1 ) et du débit ( x2 ) qui maximisent le

rendement d’un processus ( y ) . Le rendement du processus est donc une fonction de la

température et du débit, soit
Y  f ( x1 , x2 )  

où  représente le bruit ou l’erreur observée dans la réponse Y . Si on désigne l’espérance de

la réponse par E (Y )  f ( x1 , x2 ) , la surface représentée par f ( x1 , x2 ) est appelée surface de

réponse.

On peut représenter la surface de réponse graphiquement comme illustrée dans la figure ci-
dessous, où f ( x1 , x2 ) est représentée en fonction de x1 et x2 . Noter que la réponse est
représentée sous forme de surface de réponse dans un espace tri-dimensionnel. Pour aider à
visualiser la forme de la surface de réponse, on représente souvent les contours de la surface
de réponse présentés dans la figure ci-dessous. Dans un tracé de contour, des lignes qui
correspondent à des réponses constantes sont représentées dans le plan ( x1 , x2 ) . Chaque
contour correspond à une hauteur particulière de la surface de réponse ; c’est-à-dire, à une
valeur particulière de la réponse. Le tracé de contour permet d’étudier les niveaux de x1 et x2
qui affectent la forme ou la hauteur de la surface de réponse.

87 
 
 

Dans la plupart des problèmes des surfaces de réponses, la forme de la relation entre la
réponse et les variables indépendantes n’est pas connues. Donc, la première étape d’une
analyse de surface de réponse consiste à trouver une approximation de la relation réelle entre
la réponse Y et les variables indépendantes. Généralement, un polynôme d’ordre faible dans
une certaine région de l’espace des variables est utilisé. Si la réponse est bien modélisée par
une fonction linéaire de variables indépendantes, la fonction approximative est un modèle du
premier ordre

Y  0  1 x1  2 x2    k xk  

S’il y a une courbure dans le système, un polynôme de plus haut degré doit être utilisé, tel que
le modèle de second ordre suivant
k k
Y   0    i xi    ii xi2    x xj  
ij i
i 1 i 1 i j

Plusieurs problèmes de surface de réponses utilisent un ou deux polynômes d’approximation.

Bien sûre, il est peu probable qu’un modèle polynômial soit une approximation raisonnable de
la relation réelle sur la totalité de l’espace des variables indépendants, mais pour une région
relativement petite,un modèle polynomial est souvent acceptable.

La méthode de moindres carrés est utilisée pour estimer les paramètres du polynôme
d’approximation. L’analyse de la surface de réponses est ensuite effectuée en termes de la
surface ajustée. Si la surface ajustée est une approximation adéquate de la fonction réponse
réelle, l’analyse de la surface ajustée sera approximativement équivalente à l’analyse dela
réponse du système réel.

7.2 Recherche d’une réponse optimale

88 
 
 

La méthode de surface de réponse est une procédure séquentielle. Souvent, lorsqu’on se situe
sur un point de la surface de réponses éloigné de l’optimum, tel que les conditions de
fonctionnement initiale dans la figure ci-dessous, il y a peu de courbure dans la surface de
réponses et un modèle de premier ordrepeut être utilisé. L’objectif ensuiteest de guider
l’expérimentateur rapidement et efficacement vers les environs immédiats de l’optimum. Une
fois le voisinage de l’optimum est trouvé, un modèle plus élaboré tel que le modèle de second
ordre peut être utilisé et l’analyse peut être effectuée pour déterminer l’optimum. A partir de
la figure ci-dessous, on observe que la recherche d’un maximum de la réponse peut être
considérée comme « une montée de colline », où le sommet de la colline représente le point
correspondant au maximum de réponse. Si l’optimum est un minimum de réponse, on peut
considérer la recherche d’un optimum comme « une descente de vallée ».

L’objectif éventuel de la méthode de surface de réponses est de déterminer les conditions de

fonctionnement optimales d’un système ou de déterminer la région de l’espace des facteurs
dans laquelle les spécifications de fonctionnement sont satisfaites. Aussi, noter que le terme
« optimum » dans la méthode de surface de réponse est utilisé avec un sens particulier. La
procédure de montée une colline d’une surface de réponse garantie la convergence
uniquement à un optimum local. Néanmoins, les expériences effectuées en utilisant cette
approche sont souvent appeléesexpériences d’optimisation.

Méthode de la direction de la plus forte pente

Souvent, l’estimation initiale des conditions optimales de fonctionnement du système se

trouve éloignée de l’optimum réel. Dans ces circonstances, l’objectif de l’expérimentateur est
d’avancer rapidement vers les environs immédiats de l’optimum. On souhaite utiliser une
procédure expérimentale simple et économiquement efficace permettant de se rapprocher de

89 
 
 

l’optimum. Lorsqu’on est éloigné de l’optimum, on suppose en général qu’un modèle de

premier ordre constitue une approximation adéquate de la surface réelle dans une petite région
de l’espace des variables.

La méthode de monté suivant la direction de la plus fortepente est une procédure permettant
de se déplacer d’une manière séquentielle dans la direction de la plus forte pente. Bien sûre, si
une minimisation est souhaitée, on parle de la méthode de descente suivant la direction de la
plus fortepente. Le modèle du premier ordre ajusté est
k
yˆ  ˆ0   ˆi xi
i 1

et la surface du premier ordre, c’est-à-dire, l’ensemble des contours de ŷ , est constituée

d’une série des lignes parallèles comme montrées dans la figure ci-dessous. La direction de la
pente la plus forte est la direction dans laquelle ŷ augmente le plus rapidement. Cette
direction est normale aux contours de la surface ajustée. On choisit en général la direction de
la pente la plus forte la droite passant par le centre de la région de l’espace initiale et normale
aux contours de la surface ajustée. Comme montré dans l’exemple ci-dessous, les pas dans

cette direction sont proportionnels aux coefficients de régression ˆ  . L’expérimentateur

i

choisie la taille du pas en se basant sur les connaissances du procédé ou en se basant sur des
considérations pratiques.

Exemple : Rendement d’un procédé

Dans un chapitre précédent, on a décrit une expérience chimique dans laquelle deux facteurs,
la durée de la réaction ( x1 ) et la température de la réaction ( x2 ) , affectent le pourcentage de

conversion (Y ) . La figure ci-dessous présente le plan 22 et les cinq points au centre utilisés

90 
 
 

dans cette étude. L’ingénieur a trouvé que les deux facteurs sont importants, qu’il n’y a pas
d’interaction entre ces deux facteurs, et la surface de réponse ne présente pas de courbure.
Ainsi, le modèle du premier ordre suivant est utilisé
Y  0  1 x1  2 x2  

qui devrait être adéquat. La valeur estimée de l’effet de la durée de réaction sur la réponse est
1.55 et la valeur estimée de l’effet de la température est de 0.65 et puisque les coefficients de
régression ̂1 et ̂ 2 sont égales à la moitié des valeurs estimées des effets, le modèle du
premier ordre ajusté est
yˆ  40.44  0.775 x1  0.325x2

La figure ci-dessous présente le tracé des contours et la surface tri-dimensionnelle pour ce

modèle. Cette figure donne aussi la relation entre les variables codées x1 et x2 , (qui
définissent les niveaux hauts et bas des facteurs) et les variables physiques, la durée (en
minutes) et la température (en° F). Utiliser ce modèle de premier ordre pour identifier la
direction correspondante à une augmentation maximale du rendement du procédé.

91 
 
 

Réponses

A partir des tracés (du modèle ajusté), on observe que pour se déplacer du centre du plan, le
point ( x1  0 et x2  0 ) dans la direction de la plus forte pente, on se déplace de 0.775 unités

dans la direction de x1 pour chaque 0.325 unités dans la direction de x2 . Donc, la direction

de la plus forte pente passe par le point ( x1  0 et x2  0 ) et a une pente de 0.325 / 0.775 .
L’ingénieur décide d’adopter une durée de réaction de 5 minutes comme taille du pas de base.
Maintenant, une durée de réaction de 5 minutes est équivalente à un pas de x1  1 en termes

de la variable codée x1 . Donc, les pas dans la direction de la plus forte pente sont

x1  1.00
x2  ( ˆ2 / ˆ1 ) x1  (0.325 / 0.775) x1  0.42

Une variation de x2  0.42 de la variable codée x2 est équivalente à approximativement 2° F

de la variable initiale, la température. Donc, l’ingénieur suivra la direction de la plus forte
pente en augmentant la durée de réaction par 5 minutes et la température de 2° F. Une
observation réelle du rendement est enregistrée en chaque point.

La figure ci-dessous montre plusieurs points dans la direction de la plus forte pente et les
rendements du procédé réellement observés en ces points. Aux points A-D, le rendement
observé continue à augmenter, mais au-delà du point D, le rendement décroit. Donc,
l’ascension la plus raide se termine aux environs de 55 minutes et une durée de réaction de
163° F avec un pourcentage de conversion de 67 %.

92 
 
 

7.3 Surface de réponses de second ordre

Lorsque l’expérimentateur est relativement proche de l’optimum, un modèle de second ordre

est généralement nécessaire pour trouver une approximation de la réponse à cause de la
courbure dans la surface de réponse réelle. Le modèle de second ordre adopté est le suivant

k k
yˆ  ˆ0   ˆi xi   ˆii xi2    ˆ x x
ij i j
i 1 i 1 i j

où chaque ˆ désigne l’estimation par la méthode de moindres carrés de  . On montrera

comment utiliser ce modèle pour trouver domaine optimal de fonctionnement pour pour
caractériser la nature de la surface de réponse.

Suite de l’exercice : Rendement d’un procédé

La méthode d’ascension la plus raide s’est terminée à une durée de réaction de 55 minutes et
une température de 163° F. L’expérimentateur décide d’utiliser un modèle de second ordre
dans une région centrée en ce point. Le tableau ci-dessous et la figure ci-dessous présentent le
plan d’expériences proposé, qui est constitué d’un plan 22 centré au point correspondant à 55
minutes et 165° F, cinq points au centre, et quatre points sur les axes appelés pointsaxiaux.
Ce type de plan est appelé plan composite central, qui est un plan populaire utilisé pour
ajuster des surfaces de réponses de second ordre.

93 
 
 

Réponses

Deux réponses sont mesurées dans cette phase de l’étude expérimentale : le pourcentage de
conversion (rendement) et la viscosité. Le modèle de moindres carrés pour la réponse du
rendement est
yˆ1  69.1  1.633 x1  1.083 x2  0.969 x12  1.219 x22  0.225 x1 x2

L’analyse de la variance pour ce modèle est présentée ci-dessous. Comme le coefficient du

terme x1 x2 n’est pas significatif, on peut choisir d’éliminer ce terme de ce modèle.

La figure ci-dessous présente le graphe des contours de la surface de réponse tri-

dimensionnelle de ce modèle. La figure montre que le rendement maximal est de près de 70 %
obtenu approximativement à une durée de réaction de 60 minutes et une température de 167°
F.

94 
 
 

La réponse correspondante à la viscosité est décrite d’une manière adéquate par un modèle de
premier ordre
yˆ 2  37.08  3.85x1  3.10 x2

Le tableau ci-dessous résume l’analyse de la variance pour ce modèle. La surface de réponses

est présentée graphiquement dans la figure ci-dessous. Noter que la viscosité augmente quand
aussi bien la durée et la température augmente.

95 
 
 

Comme dans la plupart des problèmes des surfaces de réponses, l’expérimentateur dans cet
exemple se trouve avec des objectifs contradictoires concernant les deux réponses. L’objectif
est de maximiser le rendement, mais la plage acceptable pour la viscosité est de 38  y2  42 .
Lorsqu’il n’y a que peu de variables indépendantes, une manière simple pour résoudre ce
problème est de superposer les surfaces de réponses pour trouver le domaine optimal. La
figure ci-dessous présente un graphe de superposition de deux réponses, dans laquelle les
contours y1  69% de conversion, y2  38 , et y2  42 sont représentés. Les zones ombrées
dans ce graphe indiquent des combinaisons de durée et température non acceptables. Ce
graphe montre que plusieurs combinaisons de durée et de température seront acceptables. □

96 
 
 

L’exemple ci-dessus illustre l’utilisation d’un plan composite centré pour ajuster un modèle
de surface de réponses de second ordre. Ces plans sont largement utilisés dans la pratique car
ils sont relativement efficaces en terme du nombre d’essais nécessaires. En général, un plan
composite centré à k facteurs utilise 2k essais factoriels, 2k essais axiaux, et au moins un
point au centre (trois à cinq points sont généralement utilisés). Des plans pour k  2 et k  3
facteurs sont présentés dans la figure ci-dessous.

Le plan composite centré peut être tournant si on fait un bon choix de l’espacement axial 
dans la figure ci-dessous. Si le plan est tournant, l’écart type de la réponse estimée ŷ est

97 
 
 

constant pour tous les points qui ont la même distance du centre du plan. Pour que le plan a la
capacité de rotation, il faut choisir   ( F )1/4 , où F est le nombre de points de la partie

factorielle du plan (généralement, F  2 k ). Dans le cas où k  2 facteurs,   (22 )1/4  1.414

, qui est la valeur utilisée dans l’exemple ci-dessus.

La figure ci-dessous présente un tracé de contour et un tracé de surface de l’écart type des
estimations de la réponse rendement obtenue à partir d’un modèle quadratique. Noter que les
contours sont des cercles concentriques indiquant que le rendement est estimé avec une même
précision pour tous les points qui ont la même distance du centre du plan. En plus, comme
l’on peut s’y attendre, la précision décroit en s’éloignant du centre du plan.

98 
 
 

Chapitre VIII : Plans factoriels à plus que deux niveaux

8.1 Analyse de la variance

Les plans factoriels complets 2k et les plans fractionnaires 2 k  p sont généralement utilisés
dans la phase initiale d’une étude expérimentale. Une fois les effets les plus importants sont
identifiés, on peut effectuer un plan factoriel avec plus que deux niveaux pour obtenir plus de
détails sur la relation entre la réponse et les facteurs. La forme de base de l’analyse de la
variance (ANOVA) peut être modifiée pour qu’elle puisse être appliquée à l’analyse des
résultats de ce type d’études expérimentales.

L’analyse de la variance ANOVA décompose la variabilité totale des données expérimentales

en plusieurs composantes et permet ensuite de comparer ces différentescomposantes. Pour un
plan à deux facteurs (à a niveaux pour le facteur A et b niveaux pour le facteur B), la
variabilité totale est calculée en utilisant la somme totale des carrés des écarts entre les
observations et la moyenne générale
a b n
SST    (y ijk  y )
i 1 j 1 k 1

Cette somme peut être décomposée en plusieurs termes de la façon suivante

SST  SS A  SS B  SS AB  SS E

Chaque terme de cette décomposition correspond à un terme de l’expression donnée dans le

rectangle ci-dessous

99 
 
 

Le nombre de degrés de liberté associé à chaque terme est donné dans le tableau suivant

Le nombre total de degrés de liberté est abn  1 . Les effets principaux A et B ont a  1 et
b  1 degrés de liberté alors que l’interaction a (a  1)(b  1) degrés de libertés. Le tableau ci-
dessous présente l’organisation des données pour un plan factoriel à deux facteurs. Dans
chaque cellule de ce tableau, parmi les ab cellules,il y a n  1 degrés de liberté correspondants
aux n répliques. Les observations dans chaque cellule ne différent que par l’erreur. Par
conséquent, le nombre total de degrés de liberté est décomposé de la façon suivante
abn  1  (a  1)  (b  1)  (a  1)(b  1)  ab(n  1)

100 
 
 

La division de chaque somme de carrés par le nombre de degrés de liberté correspondante

permet d’obtenir les moyennes quadratiques des facteursA, B, del’interaction, et de l’erreur,
soit

SS A SS B
MS A  MS B 
a 1 b 1
SS AB SS E
MS AB  MS E 
(b  1)(a  1) ab(n  1)

Pour tester si les effets ou les interactions sont nulles, on utilise les rapports suivants
MS A MS B MS AB
F0 A  , F0B  , et F0 AB 
MS E MS E MS E

Chaque test statistique est comparé à une distribution F de degrés de liberté a  1 , b  1 , et

(a  1)(b  1) de numérateurs et ab(n  1) du dénominateur. Un résumé de l’analyse de la
variance dans le cas des deux facteurs est présenté dans le tableau ci-dessus.

Il est souvent préférable d’effectuer le test sur les interactions d’abord et ensuite évaluer les
effets principaux. Si l’interaction n’est pas significative, l’interprétation des tests sur les effets
principaux est simple. Cependant, si l’interaction est significative, les effets principaux des
facteurs associés à l’interaction n’auront peut-être pas une interprétation pratique. La
connaissance de l’interaction est en général plus importante que la connaissance des effets
principaux.

Exemple

Des peintures primaires d’avions sont appliquées sur des surfaces d’aluminium par deux
techniques : immersion et pulvérisation. Le but de la couche de peinture primaire est
d’améliorer l’adhésion des couches de peinture suivantes et certaines pièces peuvent être
peintes en utilisant une méthode ou l’autre. Le groupe de Génie de procédés responsable de
cette opération est intéresser à apprendre si trois types de peinture primaire ont de propriétés
d’adhésion différentes. Un plan factoriel est établi pour étudier l’effet du type de peinture
primaire et la technique de l’application de la peinture sur l’adhésion de la peinture. Trois
échantillons ont été peints pour chaque type de peinture primaire et pour chaque technique
d’application de la peinture. Une peinture de finition est ensuite appliquée et la force
d’adhésion de la peinture est ensuite mesurée. Les données obtenues à partir des essais sont
présentées dans le tableau ci-dessous. Effectuer une analyse pour déterminer la meilleure
technique de l’application de la peinture.
101 
 
 

Réponses

Les sommes des carrés nécessaires pour effectuer l’analyse de la variance ANOVA sont
calculées et récapituler dans le tableau ci-dessous. L’expérimentateur a décidé d’utiliser une
valeur de   0.05 . Puisque f 0.05,2,12  3.89 et f 0.05,1,12  4.75 , on peut conclure que les effets

principaux du type de peinture primaire et la technique d’application de la peinture affectent

la force d’adhésion. En plus, puisque 1.5  f 0.05,2,12 , il n’y a aucune indication de l’existence

d’une interaction entre ces deux facteurs. La dernière colonne du tableau donne les valeurs de
P pour chaque rapport F. Noter que les valeurs de P pour les tests statistiques des effets
principaux sont beaucoup plus petites que 0.05, alors que la valeur P pour le test statistique de
l’interaction est supérieure à 0.05.

Un graphe de la force moyenne d’adhésion pour chaque cellule  yij   en fonction des niveaux

de la peinture primaire pour chaque technique d’application est présenté dans la figure ci-
dessous. Ces moyennes se trouvent parmi les résultats ci-dessous obtenus avec Minitab. La
conclusion d’absence d’interaction est claire dans ce graphe car les deux courbes sont
approximativement parallèles. En plus, puisqu’une valeur de réponse élevée indique une force
d’adhésion élevée, on peut conclure que la pulvérisation est la meilleure technique et que la
peinture primaire de type 2 est la plus effective.

102 
 
 

8.2 Vérification de l’adéquation du modèle

D’une manière similaire aux études expérimentales présentées ci-dessus, les résidus obtenus à
partir d’un plan factoriel jouent un rôle important dans l’évaluation de l’adéquation du
modèle. En général, les résidus pour un plan factoriel à deux facteurs sont calculés en utilisant
l’équation suivante
eijk  yijk  yij

C’est-à-dire, les résidus sont formés par la différence entre les observations et la moyenne
correspondante des données dans la cellule. Si les interactions sont négligeables, alors on peut
remplacer la moyenne de la cellule par un meilleur indicateur. Cependant, on se limite ici au
cas le plus simple.

Suite de l’exercice ci-dessus

Le tableau ci-dessous présente les résidus des données de l’exemple de peinture primaire
d’avion traité ci-dessus.

103 
 
 

Le tracé de probabilité de ces résidus est présenté dans la figure ci-dessous.

Dans ce tracé,des données aux extrémités ne s’alignent pas exactement sur la droite passante
par le centre des points, suggérant l’existence de problèmes potentiels avec la supposition de
normalité ; cependant, la déviation de la normalité ne parait pas sévère. Les deux figures
suivantes présentent les résidus en fonction des niveaux du type de peinture primaire et les
techniques d’application de la peinture, respectivement. Les figures montrent que la peinture
primaire de type 3 a une variabilité de force d’adhésion légèrement plus faible que les deux
autres peintures primaires. La dernière figure qui correspond au graphe des résidus en
fonctions des valeurs estimées ne montre pas une tendance particulière.

Le tableau ci-dessous présente les résultats de l’analyse de la variance sur Minitab pour
l’expérience de la peinture primaire. Le tableau des moyennes présente les moyennes des
échantillons par type de peinture, par technique d’application et par cellule (AB). L’erreur
type de chaque moyenne est calculée en utilisant la formule MS E / m , où m représente le

104 
 
 

nombre d’observations pour chaque moyenne d’échantillons. Par exemple, chaque cellule a
m3 observations, donc, l’erreur type de la moyenne d’une cellule est
MS E / 3  0.0822 / 3  0.1655 . Un intervalle de confiance à 95 % peut être déterminé à

partir de la moyenne plus ou moins l’erreur type multipliée par t0.05,12  2.179 . Minitab (et

d’autres logiciels) produit aussi les tracés des résidus et les tracées d’interactions présentés ci-
dessus.

105