Chapitre 3

Tests de signification
et validation du modèle
1. Introduction
La répétition d’un même traitement ne conduit généralement pas
exactement à la même valeur de la réponse mesurée.
L’origine de cette fluctuation est double :
 Imprécision de l’instrument de mesure qui a permis d’obtenir
les réponses.
 Influence des variations des niveaux des facteurs non contrôlés dans
le plan entre les répétitions ; c’est souvent cette source de variation qui
est prépondérante dans les essais industriels.

Se pose alors la question fondamentale de savoir à partir de quelle valeur

seuil peut-on considérer que le facteur (ou l’interaction) agit réellement ?

Ce sont les tests statistiques qui apportent ce type de renseignements :

test « t » de comparaison de 2 moyennes dans les cas les plus simples,
analyse de variance à plusieurs facteurs croisés (ANOVA) le plus
souvent.
2. Erreurs expérimentales
2.1. Erreurs aléatoires
Si l’on effectue plusieurs fois la même mesure, on ne trouve pas toujours
le même résultat. Il y a une dispersion des mesures.
On caractérise le plus souvent la série de mesures par deux grandeurs :
la moyenne et l’écart-type qui est un indice de la dispersion des mesures
autour de la moyenne.
Les erreurs ainsi constatées sont appelées les erreurs aléatoires.
2.2. Calcul des erreurs sur les effets
Le problème est de savoir comment les erreurs qui affectent chaque
réponse d’un plan se répercutent sur la précision de l’effet calculé.
Rappelons que la formule de l’effet (ou de l’interaction) est donnée par
l’expression suivante :

1
E    y1  y2  y3  ...  yn  (+ ou – selon les effets)
n

En statistiques, la variance (V ou 2) est la moyenne des carrés

des écarts. L'écart-type est la racine carrée de la variance.
La variance et l’écart-type permettent de mesurer la dispersion
des valeurs autour de la moyenne.
Les théories statistiques nous enseignent que la variance sur E, V(E) ou
2(E), est égale à la somme des variances sur les réponses yi divisée par
n2, soit : 1
V  E   2 V  y1   V  y2   ...  V  yn  
n
1
Ou bien :
2

n

  E   2  2  y1    2  y2   ...   2  yn  
Tels que :  2 y1  ,  2 y2  ,...,  2 yn  : Variances des mesures
2(E) : variance de l’effet E
Si l’on suppose que la variance est la même pour toutes les réponses,
la formule précédente se simplifie :

 2
 y1     y2   ...    yn 
2 2

 
1  2
  E   2   yn    2  yn   ...   2  yn  
2

n   
 n fois 
  
1  2
  E   2   yn     yn   ...    yn  
2 2 2

n   
 n fois 

1   yn 2

  E   2  n   yn   
2 2

n n
En prenant les racines carrées des deux membres, on obtient l’écart-type:

  y
 E  (a)
n
Dans l’étude du rendement de l’émulsion de bitume (TD), chaque effet
(ou interaction) est calculé avec huit réponses.
Selon la formule (a), on a :

  y   réponse 
 E  (a)   effet  
n 8
L’écart-type sur la réponse est connu de l’expérimentateur et vaut deux
points de réponse :

  réponse    2
2
  effet     0, 7 points (Ecart-type)
8
2.3. Comparaison erreur-effet : analyse des résultats
Quand peut-on dire d’un effet qu’il est significatif ou non ? Sur quels
critères peut-on baser son raisonnement ?
La méthode consiste à comparer l’erreur E ou (y) commise à l’effet E
lui-même. Trois cas sont possibles.

a. L’effet est bien plus grand que l’erreur : E    y

Dans ce cas, la conclusion est aisée, l’effet est influent.

b. L’effet est plus petit que l’erreur : E    y

Dans ce cas, la conclusion est, dans la plupart des situations, que l’effet
est sans influence.

c. L’effet et l’erreur sont du même ordre de grandeur : E    y

Dans ce cas la conclusion n’est pas évidente : l’effet peut être sans
influence ou légèrement influent.
2.4. Estimation de l’erreur expérimentale
Pour estimer l’erreur expérimentale, il faut effectuer plusieurs mesures
en un même point tout en contrôlant les mêmes facteurs que ceux du
plan.
La meilleure solution est de choisir le point central du domaine d’étude
à chaque fois que cela est possible.
Dans ce cas, si l’on effectue n mesures, l’écart-type est donné par
la formule :
1
  yi  y 
2
y 
n 1 i
1 n
avec y   yi la moyenne de toutes les mesures effectuées en un
n i 1
même point expérimental.
2.5. Calcul des résidus (ei)
Dans les calculs statistiques, le résidu, noté ei, est la différence entre
la valeur expérimentale et la valeur prédite par le modèle.
Dans l’exemple du chapitre 2 sur l’étude du rendement d’une réaction
chimique non catalysée, les résidus ei sont calculés comme suit :

Tableau 1 : Exemple de calcul des résidus ei

x0 x1 x2 x1x2 y (%) yest (%) ei e i2
+1 1 1 +1 60 58,75 1,25 1,5625
+1 +1 1 1 65 66,25 1,25 1,5625
+1 1 +1 1 75 76,25 1,25 1,5625
+1 +1 +1 +1 85 83,75 1,25 1,5625

Les réponses estimées (yest) sont calculées à partir du modèle obtenu :

y  71,25  3,75x1  8,75x2 1,25x1x2

Remarque
Les réponses estimées (yest (%)) ont été calculées en
négligeant l’effet double (1,25), qui est très faible
devant les effets simples (8,75 et 3,75).
Soit,

y  71,25  3,75x1  8,75x2