31/10/2021

République Algérienne Démocratique et populaire

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Université des Sciences et de la Technologie Houari Boumediene

Faculté de Génie mécanique et de Génie des procédés

Plans d’expériences

Préparé par :
Dr. RABAHI Amel 1

Année Universitaire 2021/ 2022 Cours M2 GENIE ALIMENTAIRE

Les plans d'expériences

 montre comment élaborer en
pratique une stratégie optimale
Objectifs de la matière
d’étude expérimentale et comment
exploiter de façon fiable les résultats
 Connaître (saisir) le processus d’une planification expérimentale
expérimentaux.
 Identifier les conditions de mise en œuvre des plans d‘expériences
 permettre aux étudiants l’acquisition
 spécifier le problème à résoudre et l'objectif à atteindre
et l’autonomie dans la construction
 planification et réalisation des essais
et l'analyse des plans d’expérience.
 Exploitation les résultats
• Calculs statistiques et optimisation
• Interprétation et validation des résultats
 Utilisation des logiciels

1
 31/10/2021

Les plans d'expériences

Les plans d'expériences sont
utilisés pour réduire l'effort
expérimental en minimisant les
coûts et le temps d'étude tout en
garantissant des informations
fiables dans divers domaines de
la conception de produits
alimentaires.

Augmenter l'efficacité, la productivité et

la qualité dans les différents activités
tels que la production, recherche et
développement.

 Stratégie d’expérimentation
 La démarche de planification expérimentale

1-INTRODUCTION  Problématique
 Méthode traditionnelle (essais-erreurs)
 Le processus d’acquisition des connaissances

2
 31/10/2021

Stratégie d’expérimentation 5

Les expérimentateurs effectuent des expériences

pratiquement dans tous les domaines, afin de découvrir
plus de détails sur le bon fonctionnement d’un processus
ou d’un système particulier. Chaque série expérimentale
est un test ; De manière plus formelle, nous pouvons
définir une expérience comme un test ou une série
d'essais dans lesquels des modifications utiles sont
apportées aux variables d'entrée d'un processus ou d'un
système, de manière à pouvoir observer et identifier les
raisons des modifications pouvant être observées dans la
réponse en sortie. Le modèle général d’un procédé ou un système

La démarche de planification expérimentale

Le grand nombre des paramètres (facteurs) influençant une

expérimentation ou un procédé de fabrication est devenu un
problème complexe dans la recherche de la réponse optimale
du procédé, car cette recherche nécessite l’utilisation maximale
des données de ces paramètres pour avoir un maximum
d’informations sur la réponse. C’est pourquoi la méthode des
plans d’expérience est préconisée afin d’optimiser ce type de
démarche, cette méthodologie réside dans la diminution du
nombre nécessaire d'essais pour obtenir un maximum de
renseignements.
”Obtenir un maximum d’information en un minimum
d’expériences”

3
 31/10/2021

7
Problématique
Lorsque l'on est intéressé de connaître la dépendance d'une
variable de sortie Y (Réponse) d'un tel processus, on se trouve
confronté à plusieurs difficultés :
 Quels sont les facteurs les plus influents ?
 Existe-t-il des interactions entre les facteurs (corrélations) ?
 Peut-on linéariser le processus en fonction de ces facteurs et le
modèle ainsi obtenu est-il prédictif ?
 Comment minimiser le nombre de points de mesure du
processus pour obtenir le maximum d'informations ?
 Existe-t-il des biais dans les résultats des mesures ?

Méthode traditionnelle (essais-erreurs)

La méthode traditionnelle (Essai-Erreur), repose sur des résultats obtenus pas à pas sans planification
préalable de l’ensemble des essais dont la solution retenue n’est pas nécessairement optimale.
L’expérimentateur commence par un premier essai, dont la conclusion tirée induit un autre essai, et ainsi de
suite, l’interprétation des résultats ne se fait donc pas à pas, en déduire l’effet sur la réponse, ceci mène à
modifier à chaque fois le niveau de facteur, si par exemple dans une étude nous avons 4 variables et si l'on
décide de donner 5 valeurs expérimentales à chacune d'elles, nous sommes conduits à effectuer 54 = 625
expériences. Ce nombre élevé dépasse les limites de faisabilité tant en temps qu'en coût.
Donc cette méthode s’avère inenvisageable au vu de la grande complexité des phénomènes mis en jeu dans
certains procédés.

4
 31/10/2021

Le processus d’acquisition des connaissances

Le processus d’acquisition des connaissances est la première
étape de l’expérimentation qui permet de trouver la réponse à
une ou plusieurs questions posées, et donc de connaître la
dépendance d'une variable de sortie où grandeur d’intérêt dite
réponse dans le vocabulaire des plans d’expérience d'un tel
processus à l’ensemble de variables où facteurs qui influent sur
la réponse, avant d’entreprendre des expériences, il est prudent
de vérifier que l’information cherchée n’existe pas déjà
ailleurs. Dans ce but, on effectue un inventaire des
connaissances, soit une bibliographie, soit une consultation
d’experts, soit un calcul théorique, soit toute autre démarche
ayant pour but de répondre. Le processus d’acquisition des connaissances

Le processus d’acquisition des connaissances 10

• Augmenter ses connaissances c’est trouver la réponse à une question posée.

Exemple:
si l’on désire connaître l’influence d’un engrais sur le rendement en
blé d’un terrain, on pourra se poser les questions suivantes :
« Peut-on obtenir 10 quintaux de blé de plus à l’hectare en
augmentant la quantité d’engrais ? »
« Quelle est l’incidence de la pluie sur l’efficacité de l’engrais ? »
« La qualité du blé restera-t-elle bonne si j’utilise cet engrais ? »
« Combien dois-je utiliser d’engrais pour obtenir la quantité
maximale de blé par hectare ? »
Ces questions limitent le problème à résoudre et fixent les travaux à
exécuter
• Il est donc important de se poser les questions qui correspondent
réellement au problème. Et bien sûr, avant de commencer des
expériences, il est prudent de vérifier que l’information
cherchée n’existe pas déjà ailleurs.
Le processus d’acquisition des connaissances

5

• Après la phase d’enquête, les questions initiales peuvent être entièrement résolues et il n’y a plus de problème.
Dans le cas contraire, certaines questions restent entières ou elles sont modifiées, il est alors nécessaire de réaliser
des expériences pour obtenir les réponses complètes que l’on souhaite.
Comment peut-on choisir
ces expériences pour :
arriver rapidement aux meilleurs
résultats possibles
éviter de réaliser des expériences
inutiles
obtenir la meilleure précision
possible sur les résultats
permettre d’avancer à coup sûr
établir la modélisation du
phénomène étudié
découvrir la solution optimale
2-Les bases des
plans d’expériences
31/10/2021
• Choix de la méthode d’expérimentation
La méthode d’expérimentation choisie doit faciliter
l’interprétation des résultats. Elle doit également
minimiser le nombre des essais sans toutefois sacrifier la
qualité.
La théorie des plans d’expériences assure les conditions
pour lesquelles on obtient la meilleure précision
possible avec le minimum d’essais.
• Analyse des résultats
L’analyse des résultats d’expériences est facilitée par le
choix initial des expériences. Les résultats seront faciles
à interpréter et riches d’enseignement si l’on a bien
préparé les expériences. Grâce aux ordinateurs et aux
logiciels la construction des plans d’expériences et les
calculs nécessaires à leur interprétation sont devenus
très simples.
 Qu’est ce qu’un plan d’expérience?
 La méthode des plans d’expériences
 L’historique des plans d’expérience
 Les étapes d’une démarche de planification et optimisation
 Les types des plans d’expériences
 Déterminer les objectifs
 Définir les variables d’entrée et de sortie
 Définir le domaine d’étude
 Domaine d’étude et surface de réponse
 Les facteurs
 Variables codées ou variables centrées réduites
6
 31/10/2021

14

■ Qu’est ce qu’un plan

Les plans d'expériences
d’expérience?
"Design of Experiment" (D.O.E.) en anglais
MPE en français
 permettent d'organiser au mieux les essais ou expériences qui accompagnent une recherche scientifique ou des
études industrielles.
 L’objectif principal de ces plans est de réduire le nombre d’expériences à réaliser tout en obtenant le maximum
d’information sur le processus étudié. Selon l’objectif de l’étude, on peut adapter un type de plan qui peut aller
d’une étude paramétrique et la recherche des facteurs les plus influents jusqu’à la modélisation et
l’optimisation du processus étudié.

7
 31/10/2021

L’étude expérimentale de l’effet de certains variable (Xi) sur une réponse donnée y (cout, rendement,
concentration à la sortie,…), par la méthode classique compte sur la variation des variables un par un, utilisant
la relation qui relie le nombre d’expériences au nombre de facteurs et de niveaux par facteur :
Nexp= Niv𝒌 Nexp: le nombre d’expériences/ Niv: niveau / K: nombre de variables où facteur

Exemple:
pour l’étude de 4 variables (k=4) avec chacun 5 valeurs par intervalle (niveau=5) nécessite 54 = 625 expériences.
Un nombre élevé des essais qui dépasse les limites de faisabilité par rapport au temps et au coût. Il faut donc
réduire le nombre d'expériences à effectuer sans pour autant perdre de la qualité des résultats recherchés surtout
lorsque ces expériences sont couteuses et très lentes.
Comment?
Afin de réduire le nombre d’expériences pour l’étude du même nombre de facteur, on réduit le niveau :
on ne considère que deux valeurs de tout l’intervalle d’une variable donnée. Ainsi pour l’étude de 4
facteurs, on n’aura que 24 = 16 expériences à réaliser. Donc, quelque soit le facteur à étudier, on ne
considère dans l’étude par plans d’expériences que les extrémums de l’intervalle : le min et le max. On
dit qu’on a pris deux niveaux : le min qu’on note (-1), et le max qu’on note (+1).

La méthode des plans d’expériences

Le grand nombre des paramètres influençant une expérimentation ou un procédé de fabrication est devenu
un problème complexe dans la recherche de la réponse optimale du procédé, car cette recherche nécessite
l’utilisation maximale des données de ces paramètres pour avoir un maximum d’informations sur la réponse.
Les plans d'expériences servent à résoudre cette problématique d’optimisation et permettent d'organiser au
mieux les essais qui accompagnent une recherche scientifique ou des études industrielles

Leur application consiste à trouver le lien qui existe entre la réponse (y) et les facteurs qui ont une influence
sur cette grandeur (xi). Ce lien permet d’obtenir une fonction du type 𝑦=𝑓 (𝑥). Le succès des plans
d'expériences réside dans la diminution du nombre nécessaire d'essais pour obtenir un maximum de
renseignements.

Principe de la planification
• La Réponse (aussi appelée L’Output, ou y)
d’un processus est dépendant d’un ou
plusieurs facteurs (les variables x), d’où la
relation y = f(x).

8
 31/10/2021

L’utilisation des plans d’expérience, fait l’objet des premiers travaux du

mathématicien Sir Ronald Fisher (1890-1962). Qui à s’intéresser aux techniques
d’expérimentation pour l’augmentation des rendements agricoles en combinant
divers types d’engrais, de variétés végétales, de méthodes de cultures, de types de
sols, etc... Suite à son emploi, en 1919, à la ”Rothamsted Experimental Station”,
centre de recherche agronomique de Londres, face à l’impossibilité de réaliser la
totalité des expériences ceci l’amène à proposer des configurations expérimentales
basées sur des modèles. Ceci constitue le point de départ de la méthode théorique des
plans d’expérience. Par conséquent, un célèbre ouvrage sur le sujet a été publié en
1935. De nombreux chercheurs ont développés l’utilisation des techniques de
planifications expérimentales dans d’autres domaines comme Box et de ses
collaborateurs, G. Taguchi, ces auteurs ont eu l’idée de réaliser des tables de
configurations expérimentales de référence facilement utilisables par des non-
spécialistes.

Les étapes d’une démarche de planification et optimisation

9
 31/10/2021

Les types des plans d’expériences

Il existe trois 1. Les plans de criblages: dont l'objectif est de découvrir les facteurs
grandes familles les plus influents sur une réponse donnée en un minimum
de plans d'expériences.
d'expériences:

2. Les plans de modélisation: dont l'objectif est de trouver la

relation mathématique qui lie les réponses mesurées aux variables
associés aux facteurs soit via une démarche mathématique analytique
ou purement matricielle. On y trouve aussi les plans de surfaces de
réponses qui permettent de trouver un optimum

3. Les plans de mélange: dont l'objectif est le même que la

deuxième famille mais où les facteurs ne sont pas indépendants et
sont contraints.

Mise en œuvre d’un plan d’expérience 20

La méthodologie de la mise en œuvre d’un plan d’expérience s’articule sur 4 étapes

Formalisation de Choix de Plan Analyse des

problème • Plan criblage résultats
• Définir le • Plan • Analyse
problème d’optimisation statistique
• Déterminer les (modélisation) • Validation des
objectifs Expérimentation hypothèses
• Définir l’entrée • Solution de
et la sortie problème
• Définir le
domain d'étude

10
 31/10/2021

Déterminer les objectifs

Cette étape a pour but de décrire le plus clairement possible tous les objectifs principaux et définir le but visé de
notre étude, c’est la première étape qui définit le lien existant entre les variables d’entrée et celles de sortie.

Définir les variables d’entrée et de sortie

La grandeur d’intérêt, qui est généralement notée y correspond à la variable de sortie du système étudie et qui
porte le nom de réponse, qu’on la qualifie la grandeur qui est observée pour chaque expérience réalisée.
Les variables qui peuvent modifier la réponse sont appelées facteurs et qui sont des paramètres d’entrée. On
parle donc obligatoirement à des variables contrôlables susceptibles d’influer sur la réponse observée. Les
termes facteur et réponse sont universellement employés dans le domaine des plans d’expériences.

La valeur donnée à un facteur pour réaliser une expérience est appelée niveau.

Les niveaux et domaine d’étude d’un facteur

Définir le domaine d’étude

Le domaine d’étude appelé aussi l’espace expérimental est délimité par les valeurs inferieures et supérieures
des variables d’entrées (facteurs) et qui définit les valeurs susceptibles de prendre durant l’expérimentation, ces
dernières sont connues dans le vocabulaire des plans d’expériences par les niveaux bas et les niveaux haut des
facteurs, donc à chaque point du domaine d'étude correspond une réponse.

11
 31/10/2021

Domaine d’étude et surface de réponse

Dans le cas de deux facteurs, le domaine d'étude est la surface délimitée par les bornes des intervalles
des facteurs (surface ABCD). A chaque point du domaine d'étude correspond une réponse.
A l'ensemble de tous les points du domaine d'étude correspond un ensemble de réponses qui se
localisent sur une surface appelée la "surface de réponse" (surface verte): Il est important de bien
choisir les intervalles de variations de chaque facteur avant d’entamer l’étude, car les résultats trouvés
et le modèle qui relie la réponse aux facteurs ne sont valables que pour les valeurs appartenant au
domaine d’étude.

Les facteurs
Considérons le facteur température avec l’intervalle d’étude suivant : [20°C 60°C], ce facteur est dit
quantitatif, car il a des valeurs précises, de même pour la pression, concentration initiale,….

Un facteur est dit qualitatif, si le niveau bas et le niveau haut correspondent à deux modalités du facteur
comme par exemple deux types de solvants, à l’un on attribue le niveau (-1) et à l’autre le niveau (+1), ce
facteur qualitatif peut être : oui ou non, exemple : on étudie l’effet qualitatif de l’agitation, en réalisant des
expériences sans agitation (-1), et des expériences avec agitation (+1).
Toutefois ce même facteur : agitation peut être quantitatif si on étudie son influence par rapport à son intensité :
100tr/mn, 200tr/mn,…etc Dans la pratique, le niveau bas sera codé -1 et le niveau haut +1.

12
 31/10/2021

Variables codées ou variables centrées réduites 25

 L’utilisation des variables centrées réduites présente l’intérêt de pouvoir généraliser la théorie des plans
d’expériences quels que soient les facteurs ou les domaines d’études retenus. Remplacer les variables
codées va permettre d’avoir pour chaque facteur le même domaine de variation [-1, +1] et de pouvoir ainsi
comparer entre eux l’effet des facteurs.

 L’intérêt des variables centrées réduites est de pouvoir présenter les plans d’expériences de la même
manière quels que soient les domaines expérimentaux retenus et quels que soient les facteurs, ce qui donne
une grande généralité de présentation à la théorie des plans d’expériences.

 Le passage des variables réelles x aux variables centrées réduites X, et inversement, est donné par la
formule suivante :

𝒙−𝒙𝟎 (x0 étant la valeur centrale en unités courantes et Δx étant le pas)

x= 𝚫𝒙

L’intérêt des unités codées est de pouvoir présenter les

plans d’expériences de la même manière quels que
soient les domaines d’étude retenus et quels que soient
les facteurs.

Exemple de calcule d’une variable codée

Pour le facteur température, on a choisi un domaine d’étude :[20°C, 60°C].

On affecte la valeur -1 à 20°C et +1 à 60°C.

On note X la variable codée et x la variable naturelle, x0 est le milieu de l’intervalle du domaine d’étude
et Δx la moitié de la largeur du domaine, ici : x0=40°C et Δx=20°C.
𝒙−𝒙𝟎
x= 𝚫𝒙
Les variables centrées réduites sont sans
dimension, une température de 35°C correspond à
une variable centrée réduite de -0,25.

13
 31/10/2021

27

 Les plans factoriels complets à deux niveaux forment

la base de tous les débuts d’études, on considère donc
que la bonne maîtrise de la méthodologie des plans
d’expériences est basée sur la compréhension de la
Les plans
conception et l’application des notions de statistiques
factoriels
sur ce type de plans, l’un des avantages de ce type de
complets à deux
plans est d’une part leur facilité de construction et
niveaux
d’autre part, comme il sera d´démontré par la suite, leur
facilité d’analyse.

Les plans factoriels

Les plans factoriels permettent de mettre en évidence d’une part les effets de chaque variable sur la réponse qui est
présenté par les effets principaux et d’autre part leurs éventuelles combinaisons en fonction des différentes valeurs.
Un plan factoriel permettra de tester toutes les combinaisons possibles entre les différentes variables du modèle.
Les plans factoriels à deux niveaux sont les plus simples et utiles en se représentant la base de tous les débuts d’études

Les plans factoriels à deux niveaux (𝟐𝑲) sont applicables à tous les types de facteur sans distinction.
 Le k en exposant signifie qu’il y a k facteurs étudiés ;
 Le 2 signifie que chaque facteur prend deux niveaux.

14
 31/10/2021

Outils mathématique :
Notions de statistique appliquées aux plans d’expériences
Les plans d'expériences permettent d'organiser au mieux les essais qui accompagnent une recherche scientifique
ou des études industrielles . Ils sont applicables à de nombreuses disciplines et à toutes les industries à partir du
moment où l’on recherche le lien qui existe entre une grandeur d’intérêt, y, et des variables, xi.

Notion de modèle et de régression linéaire multiple

En l’absence de toute information sur la fonction qui lie la réponse aux facteurs, on se donne a priori une loi
d’évolution dont la formulation la plus générale est la suivante :

y = f (x1,x2,x3,…,xn)
Cette fonction est trop générale et il est d’usage d’en prendre un développement limité de Taylor-Mac Laurin,
c’est-à-dire une approximation. Si les dérivées peuvent être considérées comme des constantes, le développement
précédent prend la forme d’un polynôme de degré plus ou moins élevé :

Notion de modèle et de régression linéaire multiple

où :
– y est la grandeur à laquelle s’intéresse l’expérimentateur ; c’est la réponse ou la grandeur d’intérêt,
– xi représente un niveau du facteur i,
– xj représente un niveau du facteur j,
– a0, ai, aij, aii sont les coefficients du polynôme.

Les modèles établis sont des modèles de prévision valables dans le domaine
d’étude, domaine que l’on doit toujours préciser. Ce ne sont pas des modèles
théoriques basés sur des lois physico-chimiques ou mécaniques. Dans quelques
rares cas, il est possible d’utiliser des lois physiques théoriques connues.

15
 31/10/2021

Notion de modèle et de régression linéaire multiple

Deux compléments doivent être apportés au modèle purement mathématique précédemment décrit.
• Le premier complément est le manque d’ajustement. Cette expression traduit le fait que le modèle choisi par
l’expérimentateur avant les expériences est probablement un peu différent du modèle réel qui régit le phénomène
étudié. Il y a un écart entre ces deux modèles. Cet écart est le manque d’ajustement (lack of fit en anglais), on le note
par Δ.
• Le second complément est la prise en compte de la nature aléatoire de la réponse.
En effet, dans le cas général, si l’on mesure plusieurs fois une réponse en un même point expérimental, on n’obtiendra pas
exactement le même résultat. Il y a une dispersion des résultats. Les dispersions ainsi constatées sont appelées erreurs
aléatoires ou erreurs expérimentales (pure error en anglais) et on les note par ε.
La relation générale doit être modifiée ainsi :

y = f (x1,x2,x3,…,xn) + Δ + ε

Matrice d'expériences 32

La matrice d'expériences est le tableau qui indique le nombre d'expériences à réaliser avec la façon de
faire varier les facteurs et l'ordre dans lequel il faut réaliser les expériences.

Ce tableau est donc composé de -1 et de +1. En fixant le nombre de facteurs, le domaine d’étude, on peut
dresser cette organisation des expériences (planification d’expériences) avant de les réaliser, par la suite
il ne restera qu’à remplir la case des réponses une fois les expériences ont été faites.

Pour k facteurs, la matrice d'expérience comporte k colonnes.

On alterne les -1 et le +1 toutes les lignes pour la première colonne, toutes les deux lignes pour la
seconde colonne, toutes les quatre lignes pour la troisième, etc.
On applique donc, l’algorithme de Yates, qu’on peut résumer en :
 Exemple d’une matrice d’un plan d’expérience factoriel (2 facteurs, 3 facteurs)

• Toutes les colonnes

commencent par -1.

• On alterne les -1 et
les +1 toutes les 2j-1
lignes pour la j eme
colonne.

16
 31/10/2021

Effet global et effet moyen d'un facteur

L’effet d’un facteur X sur une réponse Y,

s’obtient en comparant les valeurs prises
par la réponse lorsque le facteur passe du
niveau bas (-1) au niveau haut (+1).

Cas de deux facteurs

Nous allons voir ci-dessous comment établir un plan d’expérience complet avec deux facteurs et deux
niveaux par facteur de manière simple, sans utilisation de logiciel spécifique.

Supposons 2 facteurs X1 et X2 avec chacun deux niveaux (plan 𝟐𝟐 ). Une matrice d'expérience et des
réponses sera :

L'effet global de X1 est la réponse lorsque X1 passe du niveau -1 au niveau +1.

Or, pour chaque niveau de X1, il y a 2 expériences, par exemple, au niveau -1, on a la première
expérience et la troisième : Y1 et Y3. Nous devons donc envisager des réponses moyennes à chaque
niveau pour pouvoir calculer l’effet moyen. Quand X1 est au niveau -1, nous avons la réponse
𝒚𝟏+𝒚𝟑
moyenne :
𝟐
𝒚𝟐+𝒚𝟒
et quand X1 est au niveau +1, nous avons la réponse moyenne :
𝟐
L'effet global a1 de X1 donne :

L'effet global a2 de X2 se calcule de la même manière :

On remarque que pour les deux facteurs, l’effet est la moyenne des réponses yi affectées de la valeur
correspondant au niveau du facteur considéré (-1 ou +1 de sa colonne).

On calcule a0 ou "réponse théorique", (au centre de son domaine de variation).

17
 31/10/2021

De même que pour les effets des facteurs principaux l’effet a0 peut se calculer en ajoutant à la matrice
une colonne de +1, ce qui conduit à la matrice des effets comme suit :

Notion d'interaction

• L’effet de chaque facteur pris séparément, n’explique pas toujours l’ensemble du phénomène. Parfois
l’un des facteurs renforce ou affaibli l’effet de l’autre. Cela s’appelle une interaction.
• On dit qu'il y a interaction entre deux facteurs si l'effet moyen de l'un n'est pas le même suivant que l'on
se place au niveau bas ou au niveau haut de l'autre. Du point de vue du vocabulaire, une interaction entre
deux facteurs sera qualifiée d'interaction d'ordre 2, une interaction entre trois facteurs sera une interaction
d'ordre 3, etc...
• Pour deux facteurs X1, X2, il n’existe qu’une seule interaction d’ordre 2 : X1X2, pour le cas de trois
facteurs : X1, X2 et X3, il existe deux types d’interactions : X1X2, X1X3 et X2X3 sont d’ordre 2 et une
seule interaction X1X2X3 d’ordre3 et ainsi de suite.
• Pour calculer l'effet d'une interaction entre deux variables Xi et Xj on ajoute à la matrice des effets une
colonne, que l'on baptise XiXj , et que l'on obtient en faisant le produit "ligne à ligne" des colonnes des
variables Xi et Xj , comme montré sur l’exemple de deux facteurs suivant :

18
 31/10/2021

35

Notion de modèle et de régression linéaire multiple

La régression linéaire multiple est une méthode d'analyse de données quantitatives. Elle a pour but de mettre en
évidence la liaison pouvant exister entre une variable dite expliquée (réponse), que l'on notera Y et plusieurs
autres variables dites explicatives (facteurs) que l'on notera X1, X2, ... , Xk . Pour lier la réponse aux facteurs
dans l’étude d’un plan d’expérience simple, on utilise les modèles dits linéaires, du type

Dans lequel ai sont des réels appelés coefficients du modèle, à déterminer par méthode numérique de régression
linéaire, on obtient donc le modèle mathématique qui relie les facteurs à la réponse étudiée.
Ces coefficients représentent les effets des facteurs dans le plan d’expériences. L'interaction entre deux facteurs X1
et X2 sera, dans la suite, considérée comme un nouveau facteur que l'on notera X1X2 et qui apparaitra dans le
modèle. La différence entre Yexp, observé lors de la réalisation de l'expérience (matrice d’expérience) et Y calculé
par le modèle obtenu, est l’erreur notée ε, qui peut être due à des facteurs non contrôlés (dérive des appareils,
l'expérimentateur, etc). Valider le modèle mathématique obtenu revient à estimer
l’erreur ε et accepter ou non sa valeur par rapport à un
critère de précision donné.

19
 31/10/2021

Plan factoriel complet 𝟐𝒌

Un plan factoriel complet 2𝐾 , est un plan qui prend en considération l’effet des interactions dans le modèle, qui
s’écrit pour deux facteurs :

La matrice du plan d’expérience contiendra les colonnes des interactions considérés afin de pouvoir calculer tous
les effets (ou coefficients) du modèle, comme expliqué plus haut.

Exemple 1 de calcul des effets

On considère une réaction chimique dont le rendement dépend de deux facteurs, la température et la pression.
Le technicien décide d'effectuer un plan d'expérience avec le domaine expérimental suivant :
La réponse Y étudiée, rendement de l'expérience, est donnée par la matrice d’expérience suivante :
Déterminons une estimation ponctuelle de chacun
des coefficients du modèle. Nous obtenons la
matrice du plan d’expérience avec interaction qui
permet d'obtenir les résultats demandés.

le modèle s'écrit :Y = 71, 25 + 3, 75 X1+ 8, 75 X2 + 1, 25 X1X2 +ε

La représentation graphique des effets 40

L’influence des facteurs sur la réponse est mieux représentée par un graphique, où on peut tracer le graphique des
effets principaux ou celui des interactions d’ordre 2. Pour les facteurs principaux, le graphique des effets est
obtenu à partir du tableau des réponses moyennes aux différents niveaux des facteurs.
Pour l’exemple précédent cela donne le tableau suivant :
La représentation graphique de l’interaction TP est la suivante:

L’effet de Pression est plus

importante que celle de
Température • Pour les facteurs principaux, plus la pente est positive
85 et importante et plus le facteur influence la réponse
80 positivement et le contraire est vrai.
75
70 • Le graphique de l’interaction permet de conclure si
67,5 celle-ci est négligeable ou pas, plus les deux segments
62,5 de droite ne sont pas parallèles et plus son effet est
signifiant.

20