PLANS D’EXPERIENCES

COURS ET TD DE MASTER 2

Par Bertin MIKOLO

mkolobertin@yahoo.fr
tel. 068641803
Table des matières
Introduction............................................................................................................................................. 4
1. Les caractéristiques de l’expérimentation .......................................................................................... 6
2. Quelques designs expérimentaux ...................................................................................................... 7
2.1. Design completement randomisé ............................................................................................... 8
2.1.1. Analyse des données ............................................................................................................. 8
2.1.2. Test de différences entre les moyennes des traitements ................................................... 10
2.2. Design randomisé en blocs......................................................................................................... 11
2.2.1. Analyse des données ........................................................................................................... 12
2.2.3. Test de la différence entre les moyennes des traitements ................................................. 13
2.3. Le design en carré Latin ............................................................................................................. 14
2.3.1. Analyse des données ........................................................................................................... 14
2.3.2. Test de différence entre les moyennes ............................................................................... 16
3. Expériences factorielles 𝟐𝒌 ............................................................................................................... 18
4. La demi-fraction de l’expérience 𝟐𝒌 ................................................................................................. 22
4.1. Résolution du design .................................................................................................................. 23
4.2. L’expérience factorielle fractionnaire 𝟐𝒌 − 𝒑 ........................................................................... 24
5. Méthode de Taguchi.......................................................................................................................... 27
5.1 La philosophie de Taguchi ........................................................................................................... 28
5.2 Les fonctions perte ...................................................................................................................... 30
5.2.1 La cible est meilleure ............................................................................................................ 30
5.2.2 Plus petit c’est mieux ........................................................................................................... 32
5.2.3 Plus large c’est mieux ........................................................................................................... 32
5.3 Ration signal/bruit (Signal to Noise S/N) et les mesures de performance .................................. 33
5.3.1 La cible est meilleure ............................................................................................................ 33
5.3.2 Plus petit c’est mieux ........................................................................................................... 34
5.3.3 Plus large c’est mieux ........................................................................................................... 34
5.4 Conception expérimentale de la méthode de Taguchi ............................................................... 34
 3

Compétence générale : concevoir une expérience

Compétence spécifique 1 : concevoir un plan d’expérience factorielle.

Compétence spécifique 2 : concevoir un plan d’expérience factorielle fractionnaire

Compétence spécifique 3 : concevoir un plan d’expérience de mélange

Compétence spécifique 4 : concevoir un plan d’expérience de Taguchi

Compétence spécifique 5 : analyser les données d’un plan d’expériences

 4

Introduction

Une expérience est une méthode planifiée d’investigation conduite pour confirmer ou infirmer une
hypothèse ou découvrir une nouvelle information sur un produit, un procédé, ou un service. C’est une
méthode active d’obtention de l’information contrairement à l’observation passive. Elle implique
l’induction d’une réponse pour déterminer les effets de certains facteurs contrôlés. Les exemples de
paramètres contrôlables, aussi appelés facteurs, sont : l’outil de coupe, la température d’un four, le
vendeur sélectionné, la quantité d’un certain additif, ou le type de décor d’un restaurant. Les facteurs
peuvent être quantitatifs (continus) ou qualitatifs (discrets). Pour les variables réponse on fixe la
gamme des valeurs, puis qu’elles sont mesurées, et les niveaux du facteur auxquels ils doivent être
contrôlés durant l’expérimentation. Si nous sommes par exemple intéressés par l’effet de la
température sur la qualité d’un produit chimique, les niveaux sélectionnés du facteur (dans ce cas la
température) pourraient être 100, 200 et 300°C. La variable réponse dans ce cas est le rendement du
composé chimique telle que mesuré en kilogrammes. Les facteurs qualitatif tels que le vendeur de
matière première entrante, sont arbitrairement désignés par des codes représentant les niveaux
discrets.

Dans la terminologie du design expérimental, un traitement encore appelé essai est une combinaison
des niveaux des facteurs dont l’effet sur la variable réponse est d’intérêt. Par exemple, supposons que
nous ayons deux facteurs- la température du four et un certain vendeur de matière première
sélectionné, qui sont d’intérêt dans la détermination de l’effet sur la valeur de la variable réponse, qui
est le rendement d’un composé chimique. La température peut être fixée à 100, 200 ou 300 et la
matière première peut être achetée chez le vendeur A ou B. Les traitements pour cette expérience
sont des combinaisons variées des niveaux de ces deux facteurs. A et 100°C forme un traitement. On
aura pour cette expérience six traitements possibles.

Une unité expérimentale est une quantité de matériel (en fabrication) ou le nombre service (dans le
système de service) à laquelle un essai d’un seul traitement est appliqué. Une unité d’échantillonnage
par contre est une fraction de l’unité expérimentale sur laquelle l’effet est mesuré.

La variation au sein des unités expérimentales qui ont été soumises au même traitement est attribuée
à l’erreur expérimentale.

Le design expérimental est utilisé pour déterminer l’impact des facteurs sur la variable réponse. Pour
les facteurs quantitatifs, qui varient sur une échelle continue, nous pouvons obtenir l’information sur
le comportement de la variable même pour des niveaux des facteurs qui n’ont pas été
expérimentalement déterminés (figure 12-1).

Une telle interprétation n’est pas faisable pour des facteurs qualitatifs avec des niveaux discrets. Par
exemple, disons que notre variable réponse est l’élasticité d’un composé de caoutchouc et le facteur
est le vendeur de matière première. Nous avons quatre vendeurs A, B, C et D. Les observations de la
variable réponse sont disponibles pour A, B et D. De cette information, nous ne pouvons pas
interpoler l’information pour le composé de la matière première fournie par le vendeur C.
 5

Si nous considérons une expérience à deux facteurs à deux niveaux chacun, nous avons un design dit
design cuboïde, montré dans la figure 12-2a. Chaque facteur peut être fixé à deux niveaux désignés
par -1(minimum) et 1(maximun). Le point (0,0) représente la fixation actuelle des niveaux de facteurs.
Dans cette notation, la première coordonnée représente le niveau du facteur A, et la seconde
représente le niveau du facteur B. un niveau -1 est au-dessous du niveau actuel 0 et un niveau 1 est
au-dessous de l’actuel niveau qui est 0. Alors, quatre nouveaux points de design (—1, —1), (1, —1), (—
1,1), et (1,1) peuvent être investigués. La valeur de la variable réponse de ces points détermine une
série d’expériences à performer.

Supposons que nous ayons obtenu la valeur de la fonction réponse aux points de design expérimental
montrés dans la figure 12-2b. Si notre objectif est de maximiser la fonction réponse, nous
considérerons la direction dans laquelle le gradient est plus raide, comme indiqué par la flèche. Notre
prochaine expérience sera conduite dans la région qui a pour centre (2,2) en respectant l’actuelle
origine.

Considérons le cas où nous aimerions savoir si des interactions existent entre les facteurs (figure 12-
4). Supposons que le facteur A représente le vendeur de matière première et B représente la quantité
du catalyseur utilisé dans un procédé chimique. La variable réponse est l’élasticité du produit, dont les
valeurs sont montrées dans le graphique. Dans la figure 12-4a la relation fonctionnelle entre la réponse
et le facteur A reste la même quel que soit le niveau du facteur B. ceci montre le cas où il n’y a pas
d’interaction entre les facteurs A et B. Le taux de changement de la réponse lorsque le niveau du
facteur A change de -1 à 1 est le meme pour chaque niveau de B.
 6

Observons maintenant la figure 12-2b, d’où l’interaction existe entre les facteurs A et B. Le taux de
changement de la réponse change en fonction du changement du niveau du facteur A aussi bien qu’en
fonction du changement du niveau du facteur B de -1 à 1. La réponse a une pente plus raide lorque le
niveau de B est à 1.

1. Les caractéristiques de l’expérimentation

Le design expérimental implique la réplique, la randomisation et le blocking. La réplique implique une

repétition de l’expérience sous des conditions similaires (traitements similaires). Elle permet d’estimer
l’erreur expérimentale, la variation des unités expérimentales dans les conditions identiques
controlées. L’erreur expérimentale forme une base de determination si les differences de la statistique
trouvée des observations sont significatives. Elle sert de référence pour déterminer quels facteurs ou
quelles interactions influencent significativement la réponse.

La randomisation signifie que les traitements devraient être assignés aux unités expérimentales de
sorte quechaque unité ait une chance egale d’être assignee à n’importe quel tratement. Un tel procédé
élimine les biais et raasure qu’un traitement particulier n’est pas favorisé. Des assignations aléatoires
 7

des traitements et l’ordre dans lequel les essais sont conduits rassure que les observations, et par
conséquent les erreurs expérimentales, seront independantes les unes des autres.

Le principe de blocking ou de contrôle local est d’arranger les unités expérimentales similaires en
groupes ou blocs. La variabilité de la fonction réponse dans un bloc peut être attribuée aux différences
entre les traitements parce que l’impact d’autres variables externes a été minimisé.

2. Quelques designs expérimentaux

La conception d’une expérience fait intevenir ce qui suit :

 La fixation des traitements à considérer ;

 La fixation des unités expérimentales à inclure ;
 Les procédures à travers lesquelles les traitements doivent être assignées aux traitements
experimentaux (et vice versa) ;
 Le(s) variable(s) réponse à observer;
 Le procédé de mesure à utiliser.

La sélection d’un procédé de mesure approprié est critique à tous les designs experimentaux. Les biais
de mesure, qui apparaissent quand les différences dans les processus d’évaluation et d’oversation sont
meconnues, peut causer de serieux problèmes d’analyse. Lorsque les sujets experimentaux (dans le
cas des humains) et l’évaluateur ignorent le traitement assigné à chaque sujet, on parle d’une étude
double-aveugle. Lorsque l’assignation du traitement n’est pas connue du sujet expérimental ou de
l’évaluateur, on parle d’etude simple-aveugle.

Lorsque les effets du traitement sont considerés comme fixés, on parle de modeles aux effets fixés.
Ceci implique que les inférences sont tirées de l’analyse dépendent uniquement de l’assignation des
traitements sélectionnés dans l’étude. Autrement, si les traitements sélectionnés sont choisis au
hasard d’une population de traitements, un modele aux effets aléatoires est utilisé pour faire des
inférences sur toute une population de traitements.

Pour illustrer ces modèles, considérons une expérience dans laquelle les traitements sont les quantités
d’un certain composé utilisé dans un procédeé chimique : 100, 200, et 300 g du composé. La variable
réponse est le temps de réaction. Un modèle aux effets fixés considère seulement l’effet de ces trois
traitements sur la réponse. Cela étant, nous sommes interessés seulement aux différences
significatives entre ces trois traitements.

Supposons que le traitement (la quantité d’un certain composé) soit une variable aléatoire normele
avec une moyenne de 200 g et un écartype de 100 g. Nous pourrons avoir une infinité de nombres de
traitements. De cette population de traitements disponibles, nous sélectionnons au hasard trois : 100,
200, et 300 g du composé. Ce sont les memes quantité que nous avons utilisé dans le modele aux effets
fixés, cependant, ici nous cherchons à faire des inférences sur une population de traitements (la
quantité du composé utilisé) qui est normalement distribué. Spécifiquement, l’hypothèse nulle est que
la variance des traitements est egale à zero. On parle de modele aux effets aléatoires.
 8

2.1. Design completement randomisé

Une expérience ccomplétement randomisée est la plus simple et plus restrictive au cours de laquelle
les traitements sont assignés au hazard aux unités expérimentales, chque unité a une chance egale
d’être assignee à n’importe quel traitement. L’une des façons d’accomplir ceci est d’utiliser les tables
de nombres aleatoires.

Supposons que nous ayons quatre traitements, A, B, C et D, que nous aimerions assignés à trois unités
expérimentales, faisant un total de 12 unités expérimentales. Dans la terminologie du design
expérimentale, chaque traitement est répliqué trois fois, d’où nous avons besoin de 12 nombres
aléatoires à trois chiffres: 682,540,102, 736, 089, 457,198, 511, 294, 821, 304, et 658. Le traitement A
reçoit les trois premiers nombres, et le traitement B les trois nombres suivants, et ainsi de suite. Ces
nombres sont alors rangés du plus petit et plus grand, avec les rangs correspendant aux nomres
d’unités expérimentales. Le schéma d’assignation est montré dans la table 12-1.

Il n’est toujours pas fesable de répliquer tous les traitements un même nombre de fois. Dans ce cas,
l’expérience est dite desequilibrée ; autrement l’expérience est equilibree.

2.1.1. Analyse des données

La procédure statistique la plus souvent utilisée pour analyser les données est connue comme
l’analyse de la variance (ANOVA). Cette technique détermine les effets des traitements, comme reflété
par leurs moyennes, à travers l’analyse de leur variabilité. La variabilité totale des observations est
divisée en deux composantes : la variation entre les moyennes des traitements (aussi connue comme
la somme des carrés) et la variation entre les unités expérimentales dans les traitements (aussi connue
comme la somme des erreurs des carrés). Nous avons :

somme totale des carrés (SST) = la somme des carrés des écarts (SSTR) + la somme des carrés des
erreurs (SSE)
 9

Les carrés moyens des écarts et des erreurs sont obtenus en divisant la somme des carrés
correspondante par le nombre approprie de degré de liberté. Ce nombre est 1 moins le nombre
d’observations dans chaque source de variation. Pour un design équilibré avec 𝑝 traitements, chacun
avec 𝑟 répliques, le nombre totale d’observations est 𝑟𝑝. La variabilité totale, alors, a 𝑟𝑝 − 1 degrés
de liberté. Le nombre de degrés de liberté des traitements est 𝑝 − 1. Pour chaque traitement, il y a 𝑟
observations, d’où 𝑟 − 1 degrés de liberté s’applique à l’erreur expérimentale. Le nombre total de
degrés de liberté de l’erreur expérimentale est 𝑝(𝑟 − 1). Nous avons la notation suivante

𝑝 : le nombre de traitements

𝑟 : nombre de répliques de chaque traitement

𝑦𝑖𝑗 : valeur de la variable réponse de la 𝑗 𝑖𝑒𝑚𝑒 unité expérimentale qui est assigné au traitement 𝑖, 𝑖 =
1,2, … , 𝑝; 𝑗 = 1,2, … , 𝑟

𝑦𝑖. : somme des réponses du 𝑖 𝑒𝑚𝑒 traitement ; ceci est, ∑𝑟𝑗=1 𝑦𝑖𝑗

𝑦̅𝑖. : réponse moyenne du 𝑖 𝑒𝑚𝑒 traitement ; ceci est, 𝑦𝑖. /𝑟

𝑝
𝑦.. : grand total de toutes les observations, ceci est, ∑𝑖=1 ∑𝑟𝑗=1 𝑦𝑖𝑗

𝑦̿ : grande moynne de toutes les observations, ceci est, 𝑦../𝑟𝑝

La notation consistant en 𝑟 observations de chacun des traitements, est montré dans le tableau 12-2.
Les calculs de la somme des carrés sont comme suit. Un facteur de correction 𝐶 est d’abord calculé
comme

𝑦..2
𝐶=
𝑟𝑝

La somme totale des carrés est

𝑝 𝑟
2
𝑆𝑆𝑇 = ∑ ∑ 𝑦𝑖𝑗 −𝐶
𝑖=1 𝑗=1

La somme des carrés des traitements est déterminée de

∑𝑝𝑖=1 𝑦𝑖.2
𝑆𝑆𝑇𝑅 = −𝐶
𝑟
 10

Finalement la somme des carrés des erreurs est

𝑆𝑆𝐸 = 𝑆𝑆𝑇 − 𝑆𝑆𝑇𝑅

Ensuite, les carrés moyens sont trouvés en divisant la somme des carrés par le nombre de degrés de
liberté correspondant. D’où, les carrés moyens du traitement sont

𝑆𝑆𝑇𝑅
𝑀𝑆𝑇𝑅 =
𝑝−𝑟

Le carré de la moyenne est donné par

𝑆𝑆𝐸
𝑀𝑆𝐸 =
𝑝(𝑟 − 1)

2.1.2. Test de différences entre les moyennes des traitements

Il est souhaitable de tester l’hypothèse nulle que les moyennes des traitements sont égales contre
l’hypothèse alternative qu’au moins une moyenne d’un traitement est différente des autres. Dénotons
les moyennes des traitements 𝜇1 . 𝜇2 , … , 𝜇𝑝 nous avons les hypothèses

𝐻0 : 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑝

𝐻𝑎 : au moins une moyenne 𝜇𝑖 est différente des autres

La procédure du test implique la statistique 𝐹, qui est le ratio des carrés moyens du traitement aux
carrés moyens de l’erreur.

𝑀𝑆𝑇𝑅
𝐹=
𝑀𝑆𝐸

Avec (𝑝 − 1) degré de liberté au numérateur et 𝑝(𝑟 − 1) degré es de liberté au denominateur. Pour

un niveau de signification donné α, la valeur critique de 𝐹, qui est trouvée dans l’Appendix A-6, est
dénotée par 𝐹𝛼,𝑝−1,𝑝(𝑟−1) . Si la statistique calculée > 𝐹𝛼,𝑝−1,𝑝(𝑟−1) , l’hypothèse nulle est rejetée, et
nous concluons que les moyennes du traitement ne sont pas toutes égales au niveau de signification
choisie. Cette procédure computationnelle est connue comme l’analyse de la variance ; elle est
montrée dans un format tabulaire dans le tableau 12-3.

Tableau 12-3 Tableau de l’ANOVA pour le design complètement randomisé d’une expérience
équilibrée

Source de Degré de liberté Somme des Carré moyen Statistique 𝐹

variation carrés
Trainements 𝑝−1 𝑆𝑆𝑇𝑅 𝑆𝑆𝑇𝑅 𝑀𝑆𝑇𝑅
𝑀𝑆𝑇𝑅 = 𝐹=
𝑝=1 𝑀𝑆𝐸
Erreur 𝑝(𝑟 − 1) 𝑆𝑆𝐸 𝑆𝑆𝐸
𝑀𝑆𝐸 =
𝑝(𝑟 − 1)
Total 𝑟𝑝 − 1 𝑆𝑆𝑇
 11

Exemple 12-1 Trois adhésifs sont analysés pour leur impact sur la force de liaison au papier. Les
adhésifs sont chacun appliqués au hasard à quatre lots. Les données sont montrées dans le tableau
12-4. Ici les trois traitements sont les adhésifs (𝑝 = 3), et le nombre de répliques de chaque traitement
est r = 4. Le design complètement randomisé est équilibré.

a. Y a-t-il une différence entre les moyennes des forces de liaison des adhésifs ? Teste au niveau
de signification de 5%.

Tableau 12-4 Données de la force de liaison

Type Force de liaison (Kg) Somme Moyenne

d’adhésif
1 10,2 11,8 9,6 12,4 44,0 11,000
2 12,8 14,7 13,3 15,4 56,2 14,050
3 7,2 9,8 8,7 9,2 34,9 8,725
135,1 11,258

Solution Hypothèse test

Hypothèse nulle : 𝐻0 : 𝜇1 = 𝜇2 = 𝜇3

Hypothèse alternative : 𝐻𝑎 : au moins une moyenne 𝜇1 est differente des autres

La statistique 𝐹 est calculée comme suit

𝑀𝑆𝑇𝑅 28,56
𝐹= = = 19,36
𝑀𝑆𝐸 1,48

Dans l’Appendix A-6, pour 𝛼 = 0,05, 𝐹0,05,2,9 = 4,26. Puis que la valeur calculée de 𝐹 excède 4,26,
nous rejetons l’hypothèse nulle et concluons qu’il y a la différence des moyennes des forces de
liaison des adhésifs.

2.2. Design randomisé en blocs

Les blocs sont constitués des unités expérimentales qui sont exposés aux sources similaires de
variation. L’idée est d’éliminer les effets des facteurs externes à l’intérieur d’un bloc de sorte que
l’impact des traitements individuels peut être identifié. Les unités expérimentales à l’intérieur d’un
bloc doivent être aussi homogènes que possible.

Les blocs servent comme des répétitions des traitements.

Le tableau 12-5 montre un exemple dans lequel il y a quatre traitements, A, B, C et D, et trois blocs, I,
II et III (𝑝 = 4 𝑒𝑡 𝑟 = 3). Dans chaque bloc, les quatre traitements sont appliqués au hasard aux
unités expérimentales.

Tableau 12-5 Assignation des traitements aux unités au sein des blocks dans un design randomisée
en blocs

Bloc I Bloc II Bloc III

B C C
A A B
 12

C D D
D B A

Exercice On investigue sur la différence entre les matières premières provenant de trois vendeurs A,
B et C. On utilise pour cela deux machines 𝑀1 et 𝑀2 . Conçois l’expérience pour vérifier s’il existe des
différences entre les matières premières.

2.2.1. Analyse des données

Définissons la notation suivante :

𝑝 : nombre de traitements

𝑟 : nombre de blocs

𝑦𝑖𝑗 : valeur de la variable réponse du 𝑖 𝑒𝑚𝑒 traitement appliqué au 𝑗 𝑒𝑚𝑒 bloc, 𝑖 = 1,2, … , 𝑝; 𝑗 =
1,2, … , 𝑟

𝑦𝑖∙ : ∑𝑟𝑗=1 𝑦𝑖𝑗 = somme des réponses du 𝑖 𝑒𝑚𝑒 traitement

𝑦𝑖∙
𝑦̅𝑖∙ : 𝑟
= réponse moyenne du 𝑖 𝑒𝑚𝑒 traitement

𝑝
𝑦∙𝑗 : ∑𝑖=1 𝑦𝑖𝑗 = somme des réponses du 𝑗 𝑒𝑚𝑒 traitement
𝑦𝑖∙
𝑦̅𝑗∙ : 𝑝
= réponse moyenne du 𝑗 𝑒𝑚𝑒 traitement

𝑝 𝑝
𝑦∙∙ : ∑𝑖=1 ∑𝑗=1 𝑦𝑖𝑗 = total des totaux toutes les observations

𝑦∙∙
𝑦̿ : = moyenne des moyennes de toutes les observations
𝑟𝑝

La notation, consistant en p traitements assignés à chacun des blocs, est montrée dans la table 12-6.

Pour un design randomisé en blocs, la somme des carrés des blocs est

∑𝑟𝑗=1 𝑦∙𝑗2
𝑆𝑆𝐵 = 𝑝
−𝐶

La somme des carrés des erreurs est

𝑆𝑆𝐸 = 𝑆𝑆𝑇 − 𝑆𝑆𝑇𝑅 − 𝑆𝑆𝐵

Le nombre de degré de liberté pour les traitements est 𝑝 − 1 et pour les blocs est 𝑟 − 1. Les carrés
moyens des traitements, blocs et erreurs expérimentales sont trouvés en divisant la somme
respective des carrés par les nombres de degré de liberté correspondants

Tableau 12-6 Notation du design randomisé en blocs

Bloc
Traitement
1 2 … r Somme Moyenne
1 𝑦11 𝑦12 … 𝑦1𝑟 𝑦1∙ 𝑦̅1∙
2 𝑦21 𝑦22 … 𝑦2𝑟 𝑦2∙ 𝑦̅2∙
 13

. . . … . . .
. . . … . . .
. . . … . . .
𝑝 𝑦𝑝1 𝑦𝑝2 … 𝑦𝑝𝑟 𝑦𝑝∙ 𝑦̅𝑝∙
Somme 𝑦∙1 𝑦∙2 … 𝑦∙𝑟 𝑦∙∙
Moyenne 𝑦̅∙1 𝑦̅∙2 … 𝑦̅∙𝑟 𝑦̿

2.2.3. Test de la différence entre les moyennes des traitements

Hypothèses

𝐻0 : 𝜇1 = 𝜇2 = 𝜇𝑝

𝐻𝑎 : au moins une moyenne 𝜇1 est différente des autres

𝑀𝑆𝑇𝑅
𝐹=
𝑀𝑆𝐸

La statistique 𝐹 calculée est comparée à la valeur critique de 𝐹 de l’Appendix A-6 pour α donné et les
degrés de liberté (𝑝 − 1)au numerateur et (𝑝 − 1)(𝑟 − 1) au denominateur.

La tableau de l’ANOVA est montré dans le tableau 12-7.

Le statistique 𝐹 est parfois donné par le ratio des carrés moyens des blocs aux carrés moyens des
𝑀𝑆𝐵
erreurs, 𝐹𝐵 = 𝑀𝑆𝐸

Tableau 12-7 Tableau de l’ANOVA pour le design randomisé en blocs

Source de Degré s de Sommes des Carrés moyens Statistique F

variation liberté carrés
Traitements 𝑝−1 𝑆𝑆𝑇𝑅 𝑆𝑆𝑇𝑅 𝑀𝑆𝑇𝑅
𝑀𝑆𝑇𝑅 = 𝐹=
𝑝−1 𝑀𝑆𝐸
Blocs 𝑟−1 𝑆𝑆𝐵 𝑆𝑆𝐵
𝑀𝑆𝐵 =
𝑟−1
erreur (𝑝 − 1)(𝑟 − 1) 𝑆𝑆𝐸 𝑀𝑆𝐸
𝑆𝑆𝐸
=
(𝑝 − 1)(𝑟 − 1)
Total 𝑟𝑝 − 1 𝑆𝑆𝑇
Si 𝐹𝐵 < 𝐹𝛼,𝑟−1,(𝑝−1)(𝑟−1), on conclut qu’il n’y a pas de différence entre les blocs.
 14

2.3. Le design en carré Latin

Le carré Latin contrôle deux sources de variation ou deux variables. Le nombre de groupes, ou blocs,
pour chacune des deux variables est égale au nombre de traitements.

Le tableau 12-9 illustre un exemple de design en carré Latin présentant une expérience consistant à
déterminer si le type de pause (A, B, C, D et E), caractérisée par la fréquence et la durée, affecte la
productivité. Dans le design en carré Latin, cinq agents (I, II, III, IV et V) sont sélectionnés au hasard et
constituent la classification des lignes. Les cinq jours de la semaine (1, 2, 3, 4 et 5) constituent la
classification des colonnes. Les traitements sont les types de pause (A, B, C, D et E). Les traitements
sont toujours désignés par les lettres latines, d’où le nom de design en carré Latin. Le design est carré
parce que les nombres de classifications des lignes et des colonnes sont égaux.

Tableau 12-9 Conception en carre Latin pour cinq traitements

Jour de la semaine
Agents
1 2 3 4 5
I A B C D E
II B C D E A
III C D E A B
IV D E A B C
V E A B C D

2.3.1. Analyse des données

L’analyse de la variance est similaire aux procédures décrites précédemment. La notation suivante est
utilisée :

𝑝 : nombre de traitements

𝑦𝑖𝑗(𝑘) : valeur de la variable réponse de l’unité expérimentale dans la 𝑖 𝑒𝑚𝑒 ligne et 𝑗 𝑒𝑚𝑒 colonne objet
du 𝑘 𝑒𝑚𝑒 traitement.
𝑝
𝑦𝑖∙ : ∑𝑗=1 𝑦𝑖𝑗 = somme des réponses dans la 𝑖 𝑒𝑚𝑒 ligne

𝑝
𝑦∙𝑗 : ∑𝑖=1 𝑦𝑖𝑗 = somme des réponses dans la 𝑗 𝑒𝑚𝑒 colonne

𝑝 𝑝
𝑦∙∙ : ∑𝑖=1 ∑𝑗=1 𝑦𝑖𝑗 = total des totaux de toutes les observations.

𝑇𝑘 : somme des réponses du 𝑘 𝑒𝑚𝑒 traitement.

𝑦̅𝑘 : 𝑇𝑘 /𝑝 réponse moyenne de l’échantillon du 𝑘 𝑒𝑚𝑒 traitement.

La notation du design en carré Latin est montrée dans le tableau 12-11. La somme des carrés est
calculée comme suit.

Un facteur de correction est calculé comme suit

𝑦2
𝐶 = 𝑝∙∙2
 15

La somme totale des carrés est

𝑝 𝑝
2
𝑆𝑆𝑇 = ∑ ∑ 𝑦𝑖𝑗 −𝐶
𝑖=1 𝑗=1

Tableau 12-11 Notation du design par carré Latin

Colonne
Ligne 1 2 … p Somme
1 𝑦11 𝑦12 … 𝑦1𝑝 𝑦1∙
2 𝑦21 𝑦22 … 𝑦2𝑝 𝑦2∙
. . . . . .
. . . . . .
. . . . . .
P 𝑦11 𝑦𝑝1 … 𝑦𝑝𝑝 𝑦𝑝∙
Somme 𝑦11 𝑦∙1 … 𝑦∙𝑝 𝑦∙∙
traitement
1 2 … 𝑝
Somme 𝑇1 𝑇2 … 𝑇𝑝
Moyenne 𝑦̅1 𝑦̅2 … 𝑦̅𝑝

La somme des carrés de la variable des blocs de la ligne est

∑𝑝𝑖=1 𝑦𝑖∙2
𝑆𝑆𝑅 = −𝐶
𝑝

La somme des carrés de la variable des blocs de la colonne est

∑𝑝𝑗=1 𝑦∙𝑗2
𝑆𝑆𝐶 = −𝐶
𝑝

La somme des carrés des traitements est

∑𝑝𝑘=1 𝑇𝑘2
𝑆𝑆𝑇𝑅 = −𝐶
𝑝

Finalement, la somme des carrés des erreurs est

𝑆𝑆𝐸 = 𝑆𝑆𝑇 − 𝑆𝑆𝑅 − 𝑆𝑆𝐶 − 𝑆𝑆𝑇𝑅

Le nombre de degré de liberté est 𝑝 − 1 aussi bien pour la variable de blocs de la colonne que pour
la varilable de blocs de la ligne. Le nombre de degré de liberté de l’erreur expérimentale est

(𝑝 − 1)(𝑝 − 2)

Ensuite, la moyenne des carrés est trouvée en divisant la somme des carrés par le nombre de degré de
liberté appropriés. Un format tabulaire des calculs de l’ANOVA est montré dans le tableau 12-12
 16

Source de
Degré de liberté Somme des carré Carré moyen Statistique F
variation
Lignes (variable 𝑆𝑆𝑅
𝑝−1 𝑆𝑆𝑅 𝑀𝑆𝑅 =
de Bloc I) 𝑝−1
Colonnes 𝑆𝑆𝐶
(variable de blocs 𝑝−1 𝑆𝑆𝐶 𝑀𝑆𝐶 =
𝑝−1
II)
𝑀𝑆𝑇𝑅
𝑆𝑆𝑇𝑅 𝐹=
Traitements 𝑝−1 𝑆𝑆𝑇𝑅 𝑀𝑆𝑇𝑅 = 𝑀𝑆𝐸
𝑝−1
𝑀𝑆𝐸
Erreur (𝑝 − 1)(𝑝 − 2) 𝑆𝑆𝐸 𝑆𝑆𝐸
=
(𝑝 − 1)(𝑝 − 2)
Total 𝑝2 − 1 𝑆𝑆𝑇

2.3.2. Test de différence entre les moyennes

Si les moyennes sont dénotées par 𝜇1 , 𝜇2 = ⋯ , 𝜇𝑝 , les hypothèses sont

𝐻0 ∶ 𝜇1 = 𝜇2 = ⋯ , = 𝜇𝑝

𝐻𝑎 : Au moins une moyenne µ est différente des autres.

Le test est conduit en calculant la statistique 𝐹 comme ratio des carrés moyens des traitements au
carré moyen de l’erreur, ceci est

𝑀𝑆𝑇𝑅
𝐹=
𝑀𝑆𝐸

Si la statistique 𝐹 calculée >𝐹𝛼(𝑝−1),(𝑝−1)(𝑝−2), qui est trouvée en Appendix A-6, pour une valeur de α
donné avec 𝑝 − 1 degré de liberté au numérateur et (𝑝 − 1)(𝑝 − 2) au dénominateur, l’hypothèse
nulle est rejetée.

Exemple 12-3 Une compagnie de vente au détail est intéressée à l’analyse de l’impact de
différentes politiques de tarification (A, B, C et D) sur les ventes. La compagnie suspecte que la variation
des ventes pourrait être affectée par des facteurs autres que la politique de tarification, tels que la
localisation et le volume. La compagnie a quatre classifications de localité : Nord-est, Est, Centre-est,
et Sud-est. Elle a quatre classes de volumes de ventes : 1, 2, 3, et 4, avec la classe 1 représentant le
volume le plus élevé, et les autres représentant des volumes décroissants. Chaque politique de
tarification est appliquée à chaque région géographique et chaque classe de volume de ventes
exactement une fois. Le tableau 12-13 montre les ventes (en milliers de dollars) pour une période de
trois mois, avec une politique de tarification appropriée.

Existe-t-il une différence entre les politiques de tarification en termes de moyennes de ventes ? Teste
à un niveau de signification α = 5%.
 17

Tableau 12-13 Données sur la politique de tarification

Classe Localisation géographique

du Nord- Est Centre- Sud-est
volume est Est
des
ventes
1 A 19,2 B 15,4 C 6,6 D 10,5 51,7
2 B 13,2 C 5,3 D 8,2 A 16,8 43,5
3 C 4,2 D 9,4 A 14,6 B 8,5 36,7
4 D 8,4 A 13,3 B 7,6 C 6,2 35,5
45,0 43,4 37,0 42,0 167,4

Solution Le tableau 12-13 montre aussi les sommes des lignes et des colonnes pour des
variables de blocs de la classe volume des ventes et localités géographiques. La somme des carrés de
chacun des deux variables de blocs aussi bien que des traitements (politiques de tarification) sont
trouvés comme suit. Le facteur de correction est

𝑦∙∙2 (167,40)2
𝐶= = = 1751,4225
𝑝2 42
𝑝 𝑝
2
La somme totale des carrés est 𝑆𝑆𝑇 = ∑𝑖=1 ∑𝑗=1 𝑦𝑖𝑗 −𝐶

= 2046,48 − 1751,4225 = 295,0575

Tableau `12-14 Sommes et moyennes de ventes des données sur la politique de tarification

Politique de tarification
A B C D
Somme 63,9 4,7 22,3 36,5
Moyenne 15,975 11,175 5,575 9,125

La somme des carrés de la variable de blocs de ligne (classe volume des ventes) est trouvée comme
suit

∑𝑝𝑖=1 𝑦𝑖∙2
𝑆𝑆𝑅 = −𝐶
𝑝

(51,7)2 + (43,5)2 + (36,7)2 + (35,5)2

= − 1751,4225 = 41,6475
4

La somme des carrés de la variable de bloc de colonne (localisation géographique) est trouvée comme
suit

∑𝑝𝑗=1 𝑦∙𝑗2
𝑆𝑆𝐶 = −𝐶
𝑝

(45,0)2 + (43,4)2 + (37.0)2 + (42,0)2

− 175`, 4225 = 8,9675
4
 18

Le tableau 12-14 montre les sommes des ventes et leurs moyennes pour les politiques de tarification.
La somme des carrés due aux politiques de tarification est

∑𝑝𝑘=1 𝑇𝑘2
𝑆𝑆𝑇𝑅 = −𝐶
𝑝

(63,9)2 + (44,7)2 + (22,3)2 + (36,5)2

= − 1751,4225 = 226,2875
4

La somme des carrés des erreurs est

𝑆𝑆𝐸 = 𝑆𝑆𝑇 − 𝑆𝑆𝑅 − 𝑆𝑆𝐶 − 𝑆𝑆𝑇𝑅

= 295,0575 − 41,6475 − 8,9675 − 226,2875 = 18,155

Le tableau de l’ANOVA est montré dans le tableau 12-15. Pour tester l’hypothèse nulle que les
moyennes des ventes pour les politiques de tarifications (A, B, C et D) sont égales contre une hypothèse
alternative qu’au moins une moyenne est différente des autres, la statistique 𝐹 est

𝑀𝑆𝑇𝑅 75,4292
𝐹= = = 24,9287
𝑀𝑆𝐸 3,0258

Au niveau de signification 𝛼 = 5%, la valeur de 𝐹 de l’Appendix A-6 est 𝐹0,05,3,6 = 4,76. Puis que la
valeur du 𝐹 calculee de 24,9287 > 4,76, nous rejetons l’hypothèse nulle et conclue qu’au moins une
moyenne différent des autres à 5% de niveau de signification.

3. Expériences factorielles 𝟐𝒌
Ce sont des expériences qui font intervenir 𝑘 facteurs chacun à 2 niveaux. Le nombre total des
traitements d’une expérience factorielle de type 2𝑘 est 2𝑘 . Ainsi, si nous avons 3 facteurs à deux
niveaux, on aura 23 = 8 traitements. Elles consistent à déterminer d’abord les facteurs les plus
importants en tenant compte de leur impact sur la variable réponse et de la faisabilité de leur
traitement. Ensuite les niveaux des facteurs sélectionnés sont identifiés. Enfin la relation entre les
niveaux de facteurs, les réponses correspondantes et les contraintes physiques et économiques est
trouvée.

Le niveau de chaque facteur est soit bas ou élevé. Le niveau élevé est symbolisé par une lettre
minuscule. La présence de cette lettre signifie que le facteur considéré est à son niveau élevé.
L’absence de cette lettre signifie que ce facteur est à son bas niveau. La notation (1) symbolise la
combinaison où tous les facteurs sont à leurs bas niveaux.

Supposons que nous ayons trois facteurs A, B et C tous à deux niveaux. On aura 8 traitements désignés
dans l’ordre suivant :

1. (1) 5. c
2. a 6. ac
3. b 7. bc
4. ab 8. abc
 19

La figure 1 ci-dessous symbolise une expérience à trois facteurs à deux niveaux. -1 est le bas niveau et
+1 le niveau élevé de chaque facteur.

Figure 1 :

Pour estimer les effets principaux et les interactions, on utilise le principe des contrastes. De la figure
1, s’il y a r répliques pour chaque traitement, l’effet principal du facteur A est

𝑎 + 𝑎𝑏 + 𝑎𝑐 + 𝑎𝑏𝑐 (1) + 𝑏 + 𝑐 + 𝑏𝑐
𝐴= −
4𝑟 4𝑟
1
𝐴= ⟦𝑎 + 𝑎𝑏 + 𝑎𝑐 + 𝑎𝑏𝑐 − (1) − 𝑏 − 𝑐 + 𝑏𝑐⟧
4𝑟

L’effet principal du facteur B est

1
𝐵= ⟦𝑏 + 𝑎𝑏 + 𝑏𝑐 + 𝑎𝑏𝑐 − (1) − 𝑎 + 𝑐 + 𝑎𝑐⟧
4𝑟

Pour le contraste de chaque effet principal on utilise + pour chacune des combinaisons dans laquelle
la lettre de l’effet apparait. Les autres combinaisons reçoivent un -. Les signes des contrastes des
interactions sont le produit des effets principaux dont les lettres apparaissent dans l’interaction. Si
nous considérons le contraste AB, son signe sous la colonne du traitement a est -, qui est le produit du
signe de A dans la colonne du traitement a(+) et le signe de B dans la colonne du traitement a(-). Le
contraste de n’importe quel effet principal ou interaction peut être trouvée à partir du tableau 1.

(𝑐𝑜𝑛𝑡𝑟𝑎𝑠𝑡𝑒)2
La somme des carrés d’un effet est égal à 𝑟2𝑘

𝑐𝑜𝑛𝑡𝑟𝑎𝑠𝑡𝑒
L’effet est estimé par la relation suivante 𝑟2𝑘−1
 20

Tableau 1 : coefficients des contrastes orthogonaux dans une expérience factorielle 2𝑘

Contrastes (1) A b ab c ac bc abc

A - + - + - + - +
B - - + + - - + +
AB + - - + + - - +
C - - - - + + + +
AC + - + - - + - +
BC + + - - - - + +
ABC - + + - + - - +

Exemple 12-5

On veut étudier le taux d’absorption de l’huile de palme raffinée par des cubes de deux espèces
d’igname (facteur A : igname de Gamboma (-1), igname de Loutété (+1) en fonction de la température
(facteur B : 100°C (- 1) et 150°C)) et de la durée de cuisson (facteur C : 20 min (-1) et 30 min (+1)).
Pour chaque combinaison, trois répliques sont conduites en utilisant une conception complètement
aléatoire. Le tableau 2 montre le taux d’absorption des huit traitements.

a. Trouve les effets principaux et les effets d’interactions

Tableau 2 : taux d’absorption de l’huile de palme raffinée

Traitement Taux d’absorption (%) Somme

(1) 6 8 9 23
a 10 16 15 41
b 18 12 15 45
ab 12 9 10 31
c 20 26 29 75
ac 34 28 32 94
bc 36 44 46 126
abc 25 22 24 71

L’effet principal de A en utilisant le tableau 1 est

1
𝐴 = 3(4) [𝑎 + 𝑎𝑏 + 𝑎𝑐 + 𝑎𝑏𝑐 − (1) − 𝑏 − 𝑐 − 𝑏𝑐]

1
𝐴 = 3(4) [41 + 31 + 94 + 71 − 45 − 75 − 126] = −2,667

Similairement les autres effets principaux et les effets d’interactions sont trouvés et montrés dans le
tableau 3.

b. Trouves la somme des carrés effets principaux et les effets d’interactions.

 21

La somme des carrés des effets factoriels de A est

(41+31+94+71−45−75−126)2 (−32)2
𝑆𝑆𝐴 = = = 42,667
3(8) 3(8)

La somme totale des carrés est

𝑝 𝑟
2 𝑦 ∙∙2
𝑆𝑆𝑇 = ∑ ∑ 𝑦𝑖𝑗 −
𝑟𝑝
𝑖=1 𝑗=1
= (62 + 102 + 182 + 122 + 202 + 342 + 362 + 252 + 82 + 162 + 122 + 92
+ 262 + 282 + 442 + 222 + 92 + 152 + 152 + 102 + 292 + 322 + 462 + 242 )
(23 + 41 + 45 + 31 + 75 + 94 + 126 + 71)2
−( ) = 3025,833
3×8

La somme des carrés des erreurs est donnée par

3025 − (42,666 + 66,666 + 128,167 + 468,167 + 66,667 + 10,667 + 73,500 = 169,333

Le carré moyen est égal à la somme des carrés des effets principaux ou des effets des interactions
divisée par le degré de liberté correspondant.

La statistique F est le rapport entre le carré moyen des effets principaux ou des effets des interactions
et le carre moyen des erreurs.

c. Quel effet est le plus significatif ? Test l’hypothèse à 5%.

Au seuil de 5%, la valeur critique de F dans l’Appendix A-6 est trouvée être par interpolation 𝐹0,0.1,16 =
4,97. En comparant cette valeur à la valeur calculée, on trouve que les effets des interactions AB, AC
et ABC sont significatifs. Les statistiques F de BC et C dépassent également la valeur critique ;
cependant, le fait que des effets des interactions AB, AC et ABC soient significatifs nous ne pouvons
faire aucune interaction sur les effets principaux.

Tableau 3 : tableau d’ANOVA pour les contrastes du taux d’absorption de l’huile par les ignames

Source de Effet Degré de Somme des Carrés F

variation liberté carrés moyens
A -2,667 1 42,666 42,667 4,032
B 3,333 1 66,666 66,667 6,299
C 18,833 1 128,167 128,167 201,093
AB -8,833 1 468,167 468,167 44,238
AC -3,333 1 66,667 66,667 6,299
BC 1,333 1 10,667 10,667 1,008
ABC -3,500 1 73,500 73,500 6,945
Erreur 16 169,333 10,583
Total 23 3025,833

Degré de liberté :
 22

- Pour chaque facteur est égal à 𝑎 − 1 𝑜𝑢 𝑏 − 1, avec 𝑎 𝑒𝑡 𝑏 = nombre de niveaux du facteur,

en l’occurrence 2 ;
- Pour la combinaison à 2 facteur, exemple AB égal à (𝑎 − 1)(𝑏 − 1) ; et ABC égal à (𝑎 − 1)(𝑏 −
1)(𝑐 − 1)
- Pour l’erreur égal à 𝑘𝑎𝑏(𝑟 − 1), k est le nombre total des facteurs et r le nombre de répliques.
- Pour le total égal à 𝑎𝑏𝑐𝑟 − 1, kabr est le nombre total d’unités expérimentales.

4. La demi-fraction de l’expérience 𝟐𝒌
Une demi-fraction d’une expérience est constituée de 𝟐𝒌−𝟏 essais expérimentaux. Pour déterminer
les combinaisons des traitements qui seront représentées dans l’expérience, on utilise un générateur
de contrastes. Celui-ci représente souvent une interaction d’ordre élevé, qui peut être moins
importante ou négligeable et dont l’estimation peut ne pas être intéressante. Par exemple,
considérons le design factoriel 23 avec les facteurs A, B, et C et la table des coefficients orthogonaux
12-25. Nous sélectionnons le générateur de contraste I associé à l’interaction à trois facteurs 𝐴𝐵𝐶 ;
ceci étant, 𝐼 = 𝐴𝐵𝐶. Pour l’expérience factorielle 23−1 , nous ne pourrons sélectionner que ces
traitements associés aux signes plus dans le générateur de contraste. De la table 12-25, ce seraient
𝑎, 𝑏, et c, qui impliquent seulement 4 essais de l’expérience. Alternativement, nous pourrons
sélectionner les quatre traitements qui ont des signes moins dans le générateur de contraste. Ceux
seraient les traitements (1), ab, ac, et bc, et le générateur de contraste devrait être 𝐼 = −𝐴𝐵𝐶. La
fraction portant le signe plus dans le générateur de contrastes est appelée fraction principale, et
l’autre la fraction alternative.

L’inconvénient de la réplique fractionnaire de toute l’expérience factorielle est que certains effets ne
peuvent pas être estimés séparément. Démontrons ceci avec un exemple. supposons que nous
traitions de l’expérience 2𝑘−1 avec le générateur 𝐼 = 𝐴𝐵𝐶. Avec quatre essais (a, b, c et abc), où il y
aura 3 dégrées de liberté pour estimer les effets principaux. En utilisant la Table 12-25 et notant que
seulement quatre des huit traitements possibles sont conduits, les estimations des effets principaux
seraient données par

1 1 1
𝐴 = (𝑎 + 𝑎𝑏𝑐 − 𝑏 − 𝑐), 𝐵 = (𝑏 + 𝑎𝑏𝑐 − 𝑎 − 𝑐), = (𝑐 + 𝑎𝑏𝑐 − 𝑎 − 𝑏)
2 2 2

où les lettres minuscules représentent la somme des réponses dans les traitements correspondants.
Cependant, nous voyons que dans l’expérience factorielle fractionnaire, ces expressions représentent
l’effet combiné du facteur et son alias. En utilisant toujours la Table 12-25, et notant que les essais de
traitement sont (𝑎, 𝑏, 𝑐, et abc), les estimations des interactions à deux facteurs sont

1 1 1
𝐴𝐵 = (𝑐 + 𝑎𝑏𝑐 − 𝑎 − 𝑏), 𝐴𝐶 = (𝑏 + 𝑎𝑏𝑐 − 𝑎 − 𝑐), 𝐵𝐶 = (𝑎 + 𝑎𝑏𝑐 − 𝑏 − 𝑐)
2 2 2

Une fois de plus nous voyons que ces expressions représentent aussi l’effet combiné du facteur montré
et sont alias. La combinaison linéaire de la somme des réponses des traitements de l’effet principal de
A estime aussi l’interaction BC. Dans ce cas, on dit que A et BC sont des alias. Si l’effet du contraste
est significatif, nous ne pouvons pas conclure s’il est du à l’effet principal A, l’interaction BC, ou le
mélange des deux.
 23

Pour trouver un alias donné d’un contraste, nous trouvons son interaction avec le générateur de
contraste comme suit. Les lettres apparaissant à la fois dans les deux contrastes combinés, (et toute
lettre qui apparait dans les deux combinaisons) sont supprimées. Par exemple, l’alias de A, en utilisant
le générateur de contraste ABC, est trouvé comme suit

Alias(A)= 𝐴 ∗ 𝐴𝐵𝐶 = 𝐶

Puis que les contrastes A et BC sont alaisés, si seulement quatre traitements a, b, c, et abc sont
1
conduits, l’effet combiné des deux contrastes est obtenu de (𝑎 + 𝑎𝑏𝑐 − 𝑏 − 𝑐). De la fraction
2
1
principale, une estimation de (A+B) est obtenue de (𝑎 + 𝑎𝑏𝑐 − 𝑏 − 𝑐). Si les interactions à deux
2
facteurs sont supposées négligeables, les effets principaux A, B et C peuvent être estimés.

Alternativement, si nous ne sommes pas surs si les interactions à deux facteurs sont significatifs, alors,
en conduisant la fraction alternative [(1), ab, ac, et bc ], nous pouvons estimer les effets principaux et
les interactions en combinant les procédures de la fraction principale et celles de la fraction alternative.
Si nous avons sélectionné le générateur de contraste 𝐼 = −𝐴𝐵𝐶, les essais consisteraient des
traitements de la fraction alternative (1), ab, ac, et bc,.
1
L’alias 𝐴 ∗ −𝐴𝐵𝐶 = −𝐵𝐶. D’où, l’estimation de 𝐴 − 𝐵𝐶 serait obtenue de 2
[𝑎𝑏 + 𝑎𝑐 − 𝑏𝑐 − (1)].
En combinant les résultats des fractions principale et alternative, l’estimation de l’effet principal du
facteur A est
1 1
𝐴 = 2 (𝐴 + 𝐵𝐶) + 2 (𝐴 − 𝐵𝐶).

4.1. Résolution du design

Dans un plan fractionnaire, les effets principaux sont aliasés avec les interactions d’ordre différent. La
résolution d’un plan est égale à 1+la valeur de l’ordre de l’interaction d’ordre le moins elevee. Exemple,
si un effet principal est aliasé avec des interactions d’ordre 3, 4 et 5, la résolution sera 1+3 = 4.

Designs de résolution III Ici, les effets principaux ne sont pas alaisés entre eux, mais ils sont aliasés
avec les interactions à deux facteurs. Aussi, les interactions à deux facteurs peuvent être alaisés entre
elles. Le design 23−1 avec un générateur de contraste 𝐼 = 𝐴𝐵𝐶 est de résolution III. Dans un tel design,
la structure des alias est donnée par 𝐴 = 𝐵𝐶, 𝐵 = 𝐴𝐶, et 𝐶 = 𝐴𝐵. Les effets principaux ne peuvent
être estimés que si les interactions à deux facteurs ou ordre plus élevés ne sont pas présentes.

Designs de résolution IV Ici les effets principaux ne sont pas alaisés entre eux ou avec des interactions
à deux facteurs. Les interactions à deux facteurs sont alaisés entre eux. D’où, les effets principaux
peuvent être estimés en ignorant la signifiance des interactions à deux facteurs tant que des
interactions à trois facteurs ou d’ordre plus élevé ne sont pas présents. Un exemple d’un design de
résolution IV est un design 2𝑘−1 avec le générateur de contraste donné par 𝐼 = 𝐴𝐵𝐶𝐷. On peut
montrer que la structure des alias est is A = BCD, B =ACD, C = ABD, D =ABC, AB = CD, AC = BD, et
AD = BC.

Designs de résolution V Ici, aucun effet principal ou interaction à deux facteurs est alaisés avec
n’importe quel autre effet principal ou interaction à deux facteurs. Les interactions à deux facteurs,
cependant, sont aliasés avec des interactions à trois facteurs. Un exemple d’un tel design est le design
25−1 avec un générateur de contraste donné par 𝐼 = 𝐴𝐵𝐶𝐷𝐸.
 24

4.2. L’expérience factorielle fractionnaire 𝟐𝒌−𝒑

L’expérience factorielle fractionnaire est une demi-réplique d’une expérience 2𝑘 , mais il est possible
de trouver des expériences de plus petite taille qui fournissent suffisamment d’information à coût très
1
réduit. L’expérience 2𝑘−𝑝 est une 2𝑝
fraction de l’expérience factorielle 2𝑘 . D’où, une expérience
2𝑘−2 emploie ¼ du nombre total des expériences.

Considérons une expérience factorielle de 6 facteurs, à deux niveaux chacun. Une expérience
factorielle fractionnaire 26−1 requière 32 essais expérimentaux, qui nous donne 31 degrés de liberté
d’estimer les effets. Ici nous avons 6 effets principaux et 15 interactions à deux facteurs. D’où, 22 essais
suffiront si seulement les effets principaux et les interactions à deux facteurs sont considérés plus
importants, rendant l’expérience 26−1 inefficient car requérant 32 essais. Cependant, une expérience
factorielle fractionnaire 26−2 requière 16 essais et 15 degrés de liberté pour estimer les effets. Nous
pourrons estimer tous les 6 essais principaux et quelques effets (pas plus de 9) interactions à deux
facteurs. Si cela satisfait nos désirs, l’expérience 26−2 sera plus efficiente que l’expérience 26−1.

Pour générer les combinaisons d’une expérience factorielle fractionnaire 2𝑘−𝑝 , nous définissons p
générateurs de contrastes. En utilisant le premier contraste, nous créons une expérience fractionnaire
2𝑘−1 . En commençant par les traitements sélectionnés dans l’expérience 2𝑘−1 et en utilisant le second
contraste, nous créons une demi-réplique de l’expérience 2𝑘−1 donnant une expérience fractionnaire
2𝑘−2 . Cette procédure continue jusqu'à ce que le contraste ph soit utilisé sur les combinaisons des
traitements dans l’expérience 2𝑘−𝑝+1 pour donner une expérience fractionnaire 2𝑘−𝑝 . Les alias des
contrastes peuvent être trouvés en utilisant les principes expliqués précédemment.

Exemple 12-7 Dans l’industrie mobilière, la qualité de la finition de la surface du bois est une
importante caractéristique. Trois facteurs sont à tester, chacun à deux niveaux, sur leur impact sur la
finition de la surface. Le facteur A est le type de bois : okoumé (niveau -1) ou pin (niveau 1), le facteur
B est la vitesse d’avancement de l’outil 2m/min (niveau -1) ou 4 m’min (niveau 1). Le facteur C est la
profondeur de coupe : 1 mm (niveau -1) ou 3 mm (niveau 1). Pour chaque combinaison, trois répliques
sont entreprises en utilisant un design complètement randomisé. Le Tableu 12-26 montre la finition
de la surface de huit traitements. Plus la valeur est élevée, plus la surface est rugueuse.

Tableau 12-26

. Traitement Finition de surface Somme

(1) 6 8 9 23
a 10 16 15 41
b 18 12 15 45
ab 12 9 10 31
c 20 26 29 75
ac 34 28 32 94
bc 36 44 46 126
abc 25 22 24 71

a. Trouve les effets principaux et d’interaction.

 25

Solution Puisque nous avons une expérience factorielle 23 , les contrastes orthogonaux et leurs
coefficients correspondant à chaque traitement sont montrés dans la Table 12-25. Pour trouver l’effet
de chaque contraste, nous utilisons l’équation 12-68 et les coefficients de la Table 12-25.

Par exemple, l’effet principal du facteur A, en utilisant les données de la Table 12-26, est
1
𝐴= [𝑎 + 𝑎𝑏 + 𝑎𝑐 + 𝑎𝑏𝑐 − (1) − 𝑏 − 𝑐 − 𝑏𝑐]
3(4)
1
= [41 + 31 + 94 + 71 − 23 − 45 − 75 − 126] = −2,667
3(4)

Similairement, les autres effets principaux sont trouvés et montrés dans la Table 12-27.

b. Trouve la somme des carrés de chaque effet principal et d’interaction.

Solution La somme des carrés des effets factoriels est trouvée à partir de l’équation 12-67. Par
exemple, la somme des carrés pour A est

(−32)2
𝑆𝑆𝐴 = = 42,667
3(8)

Le Tableau 12-27 montre la somme des carrés des effets factoriels. La somme totale des carrés est
trouvée à partir de l’équation 12-4 comme SST = 3025,833.

La somme des carrés des erreurs, trouvée en soustrayant la somme des carrés est 169,333.

c. Quel effet est plus significatif ? Teste au niveau de signification de 5%.

De la Table 12-27, qui montre les sommes des carrés et les degrés de liberté des effets, le carré moyen
de chaque effet est trouvé. La statistique F pour tester la signifiance des effets factoriels est donnée
par le ratio du carré moyen de cet effet au carré moyen de l’erreur. A 5% de niveau de signification, la
valeur critique de F dans l’Appendix A-6 est trouvée par interpolation être 𝐹0,05,1,6 = 4,497. En
comparant la valeur calculée de F avec la valeur critique, nous trouver les effets d’interactions AB, AC
et ABC sont significatifs. Les statistiques F des effets principaux excédent aussi la valeur critique ;
cependant, parce que les effets d’interactions AB, AC et ABC sont significatifs, nous ne pouvons faire
aucune inférence sur les effets principaux

Exemple 12-8 Réfère-toi à l’exemple 12-7 concernant la finition de la surface du bois. Les données
brutes concernant trois répliques de chaque combinaison, sont données dans la Table 12-26. Nous
décidons d’utiliser une expérience factorielle fractionnaire, avec le générateur de contraste étant I =
ABC.

De la Table 12-25, pour le contraste ABC, les traitements suivants ont des signes plus : a, b, c, et abc.
Ces quatre traitements sont inclus dans l’expérience factorielle fractionnaire 23−1 . Maintenant
déterminons la structure des alias. Les effets principaux ont des alias suivants

A = A * ABC = BC

B = B* ABC = AC

C = C* ABC = AB

D’où, chaque effet principal est un alias d’une interaction à deux facteurs. Ce design est donc de
résolution III. Pour estimer les effets de leurs alias, nous utilisons les Tables 12-25 et 12-26 :
 26

1 1
𝐴 + 𝐵𝐶 = (𝑎 + 𝑎𝑏𝑐 − 𝑏 − 𝑐) = (41 + 71 − 45 − 75) = −1,333
3(2) 6
1 1
𝐵 + 𝐴𝐶 = 3(2) (𝑏 + 𝑎𝑏𝑐 − 𝑎 − 𝑐) 6 (45 + 71 − 41 − 75) = 0

1 1
𝐶 + 𝐴𝐵 = (𝑐 + 𝑎𝑏𝑐 − 𝑎 − 𝑏) = (75 + 71 − 41 − 45) = 10,000
3(2) 6

Nous trouvons que l’effet de C+AB excède celui des autres.

Table 12-29 ANOVA Table pour l’expérience factorielle fractionnaire 23−1 de la finition de la surface

source de Effet Degré de somme des Carre moyen F

variation liberté carrés
A + BC -1,333 1 5,333 5.333 0,500
B+AC 0 1 0 0 0
C + AB 10,000 1 300.000 300.000 28,124
Erreur 8 85,334 10.667
11 90,667

Pour déterminer la somme des carrés des effets, nous procédons de la même manière que pour les
expériences factorielles. D’où, la somme des carrés de A+BC est donnée par

(−8)2
𝑆𝑆𝐴+𝐵𝐶 = = 5,333
3(4)

Les sommes des carrés pour les effets restants sont montrées dans la Table 12-29. La somme totale
des carrés est trouvée dans l’équation 12-4 ; la somme des carrés des erreurs est trouvée par
soustraction de la somme des carrés des traitements de la somme totale des carrés.

Nous trouvons dans la Table 12-29 que l’effet C+AB est hautement significatif. La valeur calculée de la
statistique F de 28,124 excède de loin la valeur 5,32 de l’Appendix A-6 pour un niveau de signification
de 5% avec les degrés de liberté 1 au numérateur et 8 au dénominateur. Pour isoler l’effet de C, nous
pourrons performer plus d’expériences en utilisant le générateur de contraste I = -ABC, qui
nécessiterait la fraction alternative. Alternativement, si l’expérience complète 23 est conduite en
utilisant tous les huit traitements, l’effet de C serait estimé séparément de celui de AB. L’exemple 12-
7 traite de ce cas.

Exemple 12-18 Referons nous à l’Exemple 12-7 concernant la qualité de la surface du bois. Les trois
facteurs, chacun à deux niveaux, sont le type de bois (facteur A), la vitesse d’avancement de l’outil
(facteur B), et la profondeur de coupe (facteur C). Les données brutes de trois répliques de chaque
traitement, sont montrées dans la Table 12-26. Nous décidons d’utiliser une expérience factorielle
fractionnaire 23−1, avec le générateur de contrastes 𝐼 = 𝐴𝐵𝐶.

Dans la Table 12-25, pour le contraste ABC, les traitements suivants ont un signe plus : a, b, c, et abc.
Ces traitements sont inclus dans une expérience factorielle fractionnaire 23−1.

Maintenant, nous déterminons la structure des alias. Les effets principaux ont les alias suivants :

𝐴 = 𝐴 ∗ 𝐴𝐵𝐶 = 𝐵𝐶

𝐵 = 𝐵 ∗ 𝐴𝐵𝐶 = 𝐴𝐶

𝐶 = 𝐶 ∗ 𝐴𝐵𝐶 = 𝐴𝐵
 27

Ainsi, chaque effet principal est alias d’une interaction à deux facteurs. La conception est donc de
résolution III. Pour estimer les effets de leurs alias, nous utilisons les Tables 12-25 et 12-26 :
1 1
𝐴 + 𝐵𝐶 = (𝑎 + 𝑎𝑏𝑐 − 𝑏 − 𝑐) = (41 + 71 − 45 − 75) = −1,333
3(2) 6
1 1
𝐵 + 𝐴𝐶 = (𝑏 + 𝑎𝑏𝑐 − 𝑎 − 𝑐) = (45 + 71 − 41 − 75) = 0
3(2) 6
1 1
𝐶 + 𝐴𝐵 = (𝑐 + 𝑎𝑏𝑐 − 𝑎 − 𝑏) = (75 + 71 − 41 − 45) = 10,000
3(2) 6

Nous trouvons que l’effet de 𝐶 + 𝐴𝐵 excède celui des autres.

Pour déterminer la somme des carrés des effets, nous procédons de la même manière comme dans le
cas des expériences factorielles. D’où, la somme des carrés pour A+BC est donnée par
(−8)2
𝑆𝑆𝐴+𝐵𝐶 = 3(4)
= 5,33

Les sommes des carrés des effets restants sont montrées dans la Table 12-29. La somme totale des
carrés est trouvée à partir de l’équation 12-4 ; la somme des carrés des erreurs est trouvée par
soustraction des sommes des carrés des traitements de la somme totale des carrés.

Nous trouvons dans la Table 12-29 que l’effet de C+AB est hautement significatif. La valeur calculée de
28,124 excède de loin la valeur critique 5,32 de l’Appendix A-6 pour un niveau de signification 5% avec
les degrés de liberté 1 au numérateur et 8 au dénominateur. Pour isoler l’effet de C, nous aurons besoin
de performer plus d’expériences en utilisant le générateur de contrastes I = ABC, qui donnerait la
fraction alternative. Alternativement, si l’expérience complète 23 est conduite en utilisant toutes les
huit combinaisons, l’effet de C serait estimé séparément de celui de AB. L’exemple 12-7 traite de ce
cas.

5. Méthode de Taguchi
Dans la méthode de Taguchi, la qualité est mesurée par la déviation de la caractéristique de la valeur
cible. Une fonction de perte est développée pour cette déviation. Les facteurs incontrôlables, connus
comme le bruit, causent une telle déviation et par conséquent entraine la perte. Puisque l’élimination
des facteurs de bruit est impraticable et souvent impossible, la méthode de Taguchi cherche à
 28

minimiser les effets du bruit et à déterminer le niveau optimal des facteurs contrôlable importants en
se basant sur le concept de robustesse. L’objectif est de créer une conception du produit/service qui
est insensible à toutes les combinaisons possibles des facteurs de bruit incontrôlables à certains et est
en même temps effectif et bon marché comme la fixation des facteurs clés contrôlables à certains
niveaux.

5.1 La philosophie de Taguchi

Pour Taguchi, le but de l’amélioration de la qualité est de découvrir les moyens innovant de concevoir
les procédés, produits et les services qui serviront la société beaucoup plus qu’ils coutent à long terme.
Tous les produits finissent ultimement à causer des pertes puisqu’ils tombent en panne et doivent
alors être réparées ou remplacées ou parce qu’ils sont usées après une performance adéquate
pendant leur vie fonctionnelle.

Taguchi soutient que la perte due à la variation de la performance est proportionnelle au carré de de
la déviation de la caractéristique de performance de sa valeur cible.

La Figure 12-12 montre un exemple de la fonction de perte quadratique. Cette fonction montre un
exemple de la cible est la meilleure condition. A mesure que la caractéristique dévie de la valeur cible
(ou nominale) dans n’importe quelle direction, la perte augmente de manière quadratique.

Taguchi parle d’une opération de conception à trois étapes pour déterminer les valeurs cibles et les
tolérances des paramètres importants du produit et du procédé : conception du système, paramètre
de conception et conception des tolérances. Dans la conception du système, les principes scientifiques
et d’ingénierie et l’expérience sont utilisés pour créer un prototype du produit qui sera conforme aux
exigences fonctionnelles et aussi créer un procédé qui le construira.

La conception des paramètres implique la découverte des niveaux optimaux des paramètres du
produit et du procédé pour minimiser la variabilité de la performance. Taguchi définit une mesure de
la performance connue comme le ratio signal/bruit (S/N pou signal/noise) et essaie de sélectionner les
niveaux des paramètres qui maximisent ce ratio. Le terme signal représente le carré de la valeur de la
moyenne de la caractéristique de la qualité, tandis que le bruit mesure la variabilité de la
caractéristique mesurée par la variance.

Les facteurs incontrôlables sont des facteurs de bruit. Ils causent la déviation de la caractéristique de
la qualité de la valeur cible et alors créent une perte de la qualité. En général, le bruit a deux sources :
bruit interne et bruit externe. Les sources du bruit interne sont le résultat des fixations des paramètres
du produit et du procédé. Exemple : variations de la fabrication et détérioration du produit avec le
temps à cause de l’usure. Les imperfections de fabrication apparaissent à cause des incertitudes du
processus de fabrication. Les sources externes du bruit sont les variables qui sont externes au produit
et qui affectent sa performance. Exemple : conditions environnementales comme la température,
l’humidité, et la poussière.

Exercice Commente la Figure 12-3 et conclue.

 29

Le but de la méthode de Taguchi est de réduire la variabilité de la performance en minimisant les effets
des facteurs que nous ne pouvons pas contrôler au lieu de chercher à les contrôler ou à les éliminer.

La conception des paramètres se fait en deux étapes :

- le choix des niveaux des paramètres qui minimisent la variabilité de la qualité de la

caractéristique sortante. Cette étape fait intervenir les effets non linéaires des paramètres sur
la variable réponse et crée un design qui est robuste en tenant compte des sources
incontrôlables de la variation.
- L’identification des paramètres qui ont un effet linéaire sur la valeur de la moyenne de la
réponse mais n’influencent pas la variabilité. Ces paramètres sont connus comme étant des
facteurs d’ajustement, sont utiliser pour amener la caractéristique de la qualité à sa valeur
cible sans augmenter la variabilité.

Après les étapes de conception du système et des paramètres vient la troisième étape, la conception
des tolérances. Dans cette étape, on fixe les tolérances (ex., étendue des valeurs admissibles) autour
des valeurs cibles des paramètres de contrôle identifiées dans la phase de conception des parametres.
Habituellement après l’étape de conception des paramètres et la fixation des paramètres de contrôle
ajustées, les expériences de confirmation (ou vérification) sont conduites. Ces expériences réaffirment
le degré d’amélioration réalisée quand les fixations des paramètres sont utilisées.
 30

5.2 Les fonctions perte

Les composants des pertes comprennent les dépenses, le gaspillage et les pertes d’opportunité
enregistrées lorsque le produit ne se conforme pas exactement à la valeur cible. Pendant la production,
les coûts comme ceux de l’inspection, rejet et rebus contribuent aux pertes.

La fonction de perte de qualité est définie en termes de finances, qui fournissent un langage commun
pour des entités variées au sein d’une organisation, telles que la gestion, l’ingénierie, et la production.
Elle peut être aussi reliée aux mesures de la performance telle que le ratio du signal au bruit, qui est
utilisé pendant la phase de la conception. La fonction perte de la qualité est supposée être
proportionnelle au carrée de la déviation de la caractéristique de la qualité de la valeur cible. Elle est
basée sur trois situations : la cible est meilleure, plus petit est meilleur, et plus grand est meilleur.

5.2.1 La cible est meilleure

Considérons une caractéristique pour laquelle une valeur cible (ou nominale) est appropriée. La
fonction perte de Taguchi est donnée par

𝐿(𝑦) = 𝑘(𝑦 − 𝑚)2

où k est une constante de proportionnalité, m est la valeur cible, y est la valeur effective de la
caractéristique de la qualité.

Pour déterminer la valeur de la constante k, supposons qu’une étendue de la tolérance fonctionnelle

de la caractéristique de la qualité est (𝑚 − ∆, 𝑚 + ∆), comme montrée dans la Figure 12-12. Ceci
représente la variation maximum permissible, au-delà de laquelle le produit ne fonctionne pas de
façon satisfaisante. Un point de vue moyen des consommateurs est représentée.

𝐴
𝑘=
∆2
 31

où A la perte moyenne des consommateurs lorsque la caractéristique de la qualité est à la limite de

tolérance. Cette perte représente les coûts des réparations ou remplacement du produit au niveau du
consommateur, avec l’insatisfaction associée.

La perte attendue est donnée par la formule suivante :

𝐸[𝐿(𝑦)] = 𝑘(𝑀𝑆𝐷)
∑𝑛
𝑖=1(𝑦𝑖 −𝑚)
2
Où 𝑀𝑆𝐷 = 𝑛

5.2.1.1 Détermination des tolérances de fabrication

Supposant que le fabricant doit réparer le produit avant de l’expédier au consommateur pour éviter
des pertes dues au produit qui ne satisfait pas les tolérances du consommateur. La figure 12-7
montre la tolérance du consommateur 𝑚 ∓ ∆ associée à la perte A, et la tolérance de fabrication
associée au coût B au niveau du fabricant.

En utilisant la fonction perte :

1
𝑘 𝐵 2
𝐵 = 2 𝛿 2 𝑜𝑢 𝛿 = ( ) ∆2
∆ 𝐴
Exemple 12-9 Les tolérances du client pour la taille d’un mécanisme de rotation sont 1,5 ± 0,020 m. pour un
produit qui excède juste ces limites, le coût de réparation chez le client est 50 $. Dix produits ont été sélectionnés
et ont donné des hauteurs suivantes (en mètres) : 1,53 ; 1,49;1,50; 1,49;1,48;1,52;1,54;1,53;1,51, and 1,52. Trouve
la perte moyenne par article du produit.
Réponse : 61,25

Exemple 12-10 Réfère toi à l’exemple 12-9 concernant la hauteur du mécanisme de rotation. Le producteur veut
changer le procédé de production pour réduire la variabilité du produit. Le coût additionnel pour le nouveau
procédé est estimé à 5.50 $ par article. La production annuelle est de 20,000 articles. Huit articles sont choisis au
hasard du nouveau procédé, donnant des hauteurs suivantes : 1,51, 1,50, 1,49, 1,52, 1,52, 1,50, 1,48, 1,51. Le
nouveau procédé est-il rentable ? Si oui, quelles sont les économies annuelles ?
Réponse :𝐿(𝑦) = (𝑦 − 1,5)2
𝑀𝑆𝐷 = 0,0001875
Perte par article : 23,44 $
 32

Gain par rapport au précédent procédé : 37.81 $ par article

Solde nette : 37,81-5,50 = 32,31 $.
Le gain annuel comparé au précédent procédé est de 646,200 $.

Exemple 12-11 En se référant à l’exemple 12-9 concernant la hauteur du mécanisme de rotation. Le fabricant
décide de retravailler la hauteur, avant d’expédier le produit à un coût de 3,00 $ par article. Quelle serait la tolérance
du fabricant ?
Réponse : 𝛿 = 0,0049.

5.2.2 Plus petit c’est mieux

Considérons une caractéristique de la qualité qui est non-négative et dont la valeur idéale est zéro.
Exemple, consommation du carburant par des engins divers, impuretés dans l’eau, temps d’attente
avant d’être servi, etc.

La figure 12-18 montre la fonction perte pour ce cas, qui est donnée par :

𝐿(𝑦) = 𝑘𝑦 2
𝐴
Le perte prévisible est 𝐸[𝐿(𝑦)] = ∆2 𝑀𝑆𝐷

5.2.3 Plus large c’est mieux

Considérons maintenant le cas d’une caractéristique non-négative dont la valeur idéale serait l’infini.
C’est le cas de la force de rupture d’un câble, l’acceptation du produit par les clients, etc. La figure
12-19 montre la fonction perte de ce cas, qui est donnée par :

1
𝐿(𝑦) = 𝑘
𝑦2
1
La perte prévisible est 𝐸[𝐿(𝑦)] = 𝐴∆2 𝐸( 2 )
𝑦
 33

1
1 (∑𝑛
𝑖=1𝑦2 )
où 𝐸 (𝑦2 ) = 𝑛

5.3 Ration signal/bruit (Signal to Noise S/N) et les mesures de performance

Pour déterminer l’effectivité d’une conception, nous devrons développer une mesure qui peut évaluer
l’impact des paramètres de conception sur la caractéristique de la qualité du produit. Une mesure de
performance acceptable inclut une composante désirable et une composante indésirable. Dans le cas
présent, la composante désirable est le signal qui représente la valeur moyenne de la caractéristique
qu’on souhaite être la plus proche possible de la cible. Le bruit ici est une mesure de la variabilité de
la valeur de la caractéristique qu’on aimerait être la plus petite possible.

Taguchi a combiné ces deux composantes en une mesure connue sous le terme ratio S/N. Cette
mesure de performance est telle que lorsqu’elle est maximisée, la perte sera minimisée. Son
estimation dépendra des trois conditions évoquées précédemment.

5.3.1 La cible est meilleure

5.3.1.1 Variance non liée à la moyenne

C’est le cas des paramètres d’ajustement dont les niveaux peuvent être ajustés pour changer le
niveau moyen de la caractéristique du produit sans influencer la variabilité de la performance. Dans
ces conditions, la mesure de la performance est

𝑍 = −𝑙𝑜𝑔(𝑠 2 )

où 𝑠 2 est la variance de la variable réponse y, la caractéristique du produit.

 34

A noter que plus la statistique de performance est élevée, plus basse est la variabilité de la réponse.

5.3.1.2 Variance liée à la moyenne

Il existe des situations où l’écartype de la caractéristique évolue linéairement lorsqu’on change la
moyenne. Dans ce cas,

𝑦̅ 2
𝑍 = 10𝑙𝑜𝑔
𝑠2

où 𝑦̅ et s représente respectivement la moyenne et l’écartype de l’échantillon de la caractéristique.

5.3.2 Plus petit c’est mieux

∑𝑛 2
𝑖=1 𝑦𝑖
La mesure de la performance est : 𝑍 = −10𝑙𝑜𝑔 𝑛

5.3.3 Plus large c’est mieux

1
∑𝑛
𝑖=1𝑦2
𝑖
La mesure de la performance est donnée par : 𝑍 = −10𝑙𝑜𝑔 𝑛

5.4 Conception expérimentale de la méthode de Taguchi

Les plans de Taguchi essaient d'identifier les facteurs contrôlables (facteurs de contrôle) qui
minimisent l'effet des facteurs de bruit. Pendant l'expérimentation, vous manipulez les facteurs de
bruit de manière à imposer une variabilité, puis vous recherchez les paramètres de facteurs de contrôle
optimaux qui rendent le procédé ou le produit plus robuste ou plus résistant face à la variation
provoquée par les facteurs de bruit. La conception d’un procédé et d’un service passe par la conception
des expériences. Celle-ci nous guide dans la sélection des combinaisons des niveaux variés des facteurs
qui nous permettent de déterminer la caractéristique du produit et par la suite calculer la statistique
de performance. La matrice qui désigne les fixations des facteurs contrôlables (paramètres de
conception) est appelée arrangement interne par Taguchi ; la matrice qui désigne les facteurs
incontrôlables ou facteurs de bruit est appelée matrice interne.

Exemples de plans de Taguchi

L4 (23) qui est la moitié d’une réplique d’un plan factoriel complet 23 ; l’indice 4 indique le nombre de
ligne ou d’essais pour une réplique.

L8(27) est un arrangement orthogonal de sept facteurs chacun à deux niveaux ou une réplique
fractionnelle qui exige 8 expériences au lieu de 128 qu’exigerait une réplique complète.

L’arrangement orthogonal L9(34) représente une conception pour laquelle 4 facteurs sont variés à trois
niveaux chacun. C’est une réplique fractionnelle d’une expérience fractionnelle complète 34 qui exige
81 combinaisons.