Université Badji Mokhtar-Annaba

Faculté de technologie
Département de Génie des procédés

Cours : Plans d’expériences

Option : Génie chimique

Génie de l’environnement

Préparé par : Dr. BENDEBANE Farida

2022-2023

1
 CHAPITRE 1 : INTRODUCTION GENERALE ET PLANS
FACTORIALS

1. INTRODUCTION
Les techniques d’analyse et de planification des expériences ne sont pas nouvelles. On note
quelques zones de développement de ces plans d’expériences dès leur découverte. Ils ont été
introduits pendant le dix-septième siècle par Francis Bacon (1561-1626) et René Descartes
(1596-1650) qui ont énoncé les principes de base des plans d’expériences. Les travaux du dix-
huitième siècle d’Anbine Laurrent de Lavoisier (1743-1794), Arthur Young (1741-1820) et
Johann Georg Van Zimmermann (1728-1795) ont aboutit à extraire le concept disant qu’une
expérience diffère d’une simple observation ; en effet, la connaissance qu’une observation nous
procure, semble se présenter d’elle-même, alors que le résultat qu’une expérience nous fournit,
est le fruit de quelques tentatives que l’on fait dans le dessein de voir si une chose est, ou ne
l’est point.
Les travaux de Ronald A. Fisher (1890-1962) ont rénové les techniques de la planification
expérimentale en 1919 par l'engagement à « Rothamsted Experimental Station ». On trouve
dans les travaux de Fisher les notions de répétition, au hasard ou randomisation, de constitution
de blocs, d'expérience factorielle, confusion d'interactions ou d'effets principaux et
d’interactions et d’expérience en parcelles divisées. Les idées de Fisher furent reprises par des
spécialistes des sciences agronomiques. En 1931, Fisher est rejoint à « Rothamsted
Experimental Station » par Frank Yatres (1902-1993). De leur collaboration, résultent entre
autres de nouveaux développements en ce qui concerne les expériences factorielles, ainsi que
les notions d’expérience en blocs aléatoires incomplets et d’expériences factorielles
fractionnaires. Deux autres noms William G. Cochran (1909-1980) et David J. Finney ont
contribué aussi au développement des expériences croisées ou avec permutation des
traitements, ainsi que les expériences factorielles fractionnaires et les répétitions fractionnaires.
A partir des années 1935-1940, les notions d’expérimentation, qui jusque-là avaient été conçues
et appliquées essentiellement dans le secteur agronomique, interviennent également dans le
secteur industriel. En effet, l’environnement industriel qui est de nos jours de plus en plus
compétitif, exige des délais de développement courts, des coûts réduits et bien sûr une
amélioration de la qualité. Ces besoins mènent à des problèmes des plus complexes, caractérisés
par des objectifs de conceptions multiples et des fonctions de contraintes très variées.
2
L’optimisation de ces problèmes de conception nécessite donc des calculs numériques intensifs
et mène ainsi à des nouveaux défis techniques. Ainsi, des concepts nouveaux apparaissent alors,
tels que les plans de Plackett et Burman, la notion de surface de réponse, l’application de cette
notion au cas particulier des mélanges, les plans optimaux et les plans ou l’approche de Taguchi
(1959, 1960, 1987) qui permettent aux plans d’expériences qu’ils soient utilisés dans de
nombreux domaines. Cet effort est suivi par la suite par la découverte des logiciels de plus en
plus conviviaux destinés à la construction et à l’analyse de plans d’expériences.
Parallèlement, le secteur de la recherche médicale ou pharmaceutique (ou encore biomédicale
ou bio-pharmaceutique) s’est développé considérablement et devient un des principaux
domaines d’application des plans d’expériences, à la suite notamment des travaux de A.B. Hill.
La méthodologie dans la recherche expérimentale qui est présente depuis déjà de nombreuses
années en agronomie, en chimie et en médecine, apporte désormais sa contribution en
électrotechnique, en métallurgie, en géologie, en industries mécanique et automobile, etc. Au
début du 21ème siècle, les plans d’expériences ne sont plus réservés aux seules spécialistes. Ils
sont maintenant utilisés dans de nombreuses industries par le biais de la démarche « quantité ».
De nombreux ouvrages vulgarisent cette méthode et l’omniprésence de l’information, avec la
disponibilité de logiciels qui accentuent sa pénétration.

2. QU’EST UN PLAN D’EXPERIENCE

La science de l’organisation des essais et de la modélisation des résultats expérimentaux
nécessite une terminologie adaptée, précise et une mise en œuvre rigoureuse. C’est pourquoi on
donne la terminologie appropriée.
On entend par expérience l'ensemble des opérations qui permettent d'étudier l’influence d'un
ou de plusieurs facteurs sur un phénomène donné, conformément notamment à l’esprit de la
norme internationale ISO de 1985. Cependant, le mot expérience est aussi utilisé fréquemment,
en particulier en France dans le secteur industriel, pour désigner un élément isolé du dispositif
global, à savoir la réalisation d'une seule manipulation ou d'un seul essai, relatif à l'application
d'un traitement à une unité expérimentale donnée. Tel est d'ailleurs la conception qui a été
adoptée dans le cadre de la norme française AFNOR. Une expérience est définie par
l'application d'un traitement à une unité expérimentale. L'expression "plan d'expériences"
nécessite alors l'utilisation du pluriel, comme le montre d'ailleurs bien la même norme. On
notera aussi que, dans sa version de 1998, la norme internationale ISO précise: plan
d'expérience, affectation de traitements à chaque unité expérimentale ainsi que l'ordre temporel

3
selon lequel les traitements doivent être appliqués. Plan d'expérience, plan expérimental:
ensemble des modalités selon lesquelles un programme expérimental doit être réalisé et choix
des variantes (niveaux) d'un ou de plusieurs facteurs, ou des combinaisons de facteurs, à
introduire dans l’expérience.

3. DOMAINE D’ETUDE ET SURFACE DE REPONSE

3.1. Espace expérimental
L’espace expérimental à deux dimensions est représenté graphiquement par la figure 1. Il est
ensuite facile d’étendre les notions introduites à des espaces multidimensionnels.

3.2. Domaine expérimental

Avant toute étude, il faut définir le domaine dans lequel on doit travailler, c'est-à-dire les limites
entre lesquelles chaque facteur expérimental va varier. A partir de l’espace où peuvent varier
ces facteurs, on détermine le domaine expérimental possible ; du fait des contraintes théoriques,
expérimentales et techniques.

Facteur 2
Espace expérimental

Facteur 1
Figure 1 : Espace expérimental.

Facteur 2
Contrainte

40

10

Facteur 1

15 50

Figure 2 : Domaine expérimental continu.

4
Un domaine expérimental peut être continu comme le montre la figure 2. Il peut y avoir des
contraintes qui sont dues à mettre des facteurs improbables. Le domaine peut être aussi discret
et dans ce cas on est donc en présence d’un nombre d’essais limités ; 9 expériences réalisables
selon la figure 3, les facteurs A et B prennent chacun trois modalités A1, A2, A3 pour A et B1,
B2, B3 pour B.

Facteur B

B3

B2

B1

Facteur A
A1 A2 A3

Figure 3 : Domaine expérimental discret.

3.3. Surface de réponse et surface de contour

C’est l’ensemble des réponses correspondant à tous les points du domaine. Ces réponses sont
associées à un modèle mathématique. À l’ensemble de tous les points du domaine d’étude
correspond un ensemble de réponses qui se localisent sur une surface appelée surface de réponse
(figure 4).

Figure 4 : Ensemble des réponses qui correspondent à tous les points du domaine d’étude,
forme la surface de réponse.

5
 Figure 5 : Iso-contours suivant quelques valeurs des paramètres d’un modèle du 2ème degré

Selon les valeurs des paramètres (figure 5), la surface prend des formes diverses. Pour un
modèle de 1er degré (figure 5 (a)) la surface est un plan et les iso-contours sont des droites.
Pour un modèle de 2e degré, la surface présente une courbe mais peut prendre des allures
différentes, ce qui montre l’intérêt du modèle pour s’adapter à des phénomènes variés. Par
exemple, si la surface présente un maximum unique, les iso-contours sont des hyperboles
(figure 5(c)), si elle présente un linge de crête, les iso-contours peuvent être des droites ou des
portions d’hyperboles (figure 5 (d)).
En général, on ne connaît que quelques réponses, celles qui correspondent aux points
expérimentaux retenus par l’expérimentateur. On interpole à l’aide d’un modèle mathématique
les réponses inconnues pour obtenir la surface de réponse. Les points d’expériences retenus par

6
 la théorie des plans d’expériences assurent la meilleure précision possible sur la forme et la
position de la surface de réponse.

4. Facteurs
Les facteurs sont les variables que l’on désire étudier et qui sont supposées avoir une influence
sur le système. Ils peuvent être quantitatifs ou qualitatifs, continues ou discrets, contrôlables ou
non contrôlables. Les facteurs sont limités par deux bornes inférieures (bas) et supérieures
(hauts) désignés successivement par les signes (-1) et (+1).
4.1. Effet
L’effet d’un facteur X correspond à la variation de la réponse Y lorsque X passe d’une valeur
X- (-1) à une autre valeur X+ (+1) comme présente la figure 6. Graphiquement, plus l’inclinaison
est forte, plus l’effet est important, et cela donne déjà des indications.

Réponse Y

y2
Effet global Effet moyen
y1

Facteur x
-1 +1
Figure 6 : Effet d’un facteur.

4.2. Notion d’interaction

La figure 7 montre graphiquement l’interaction de deux facteurs X1 et X2 sans interaction
ensuite avec une interaction faible et enfin avec une forte interaction.

Y Y Y

X2-
X2- X2-

X2+ X2+ X2+

X1- X1+ X X1- X1+ X X1- X1+ X

Figure 7 : Interaction des facteurs X1 et X2 (sans, faible et forte interaction).

7
5. REPONSE
C’est la grandeur à laquelle l’expérimentateur s’intéresse et qui est mesurée à chaque
expérience. La réponse Y correspond à un paramètre de sortie du système étudié. Une réponse
doit être représentative, quantifiable et la moins dispersée possible pour des variables d’entrées
maitrisées et constantes. Pour appliquer la méthodologie des plans d’expériences, il est conseillé
d’avoir une réponse exprimée sous forme quantitative. En effet, les méthodes d’analyses des
résultats d’essais telles que l’analyse de variance ou l’analyse de régression au sens des
moindres carrés, s’appuient sur des données exclusivement quantitatives. Par ailleurs, les
réponses qualitatives comme, par exemple, la morphologie d’un dépôt (lisse, poreux, etc.) qui
est n’est pas un critère quantitatif, pourront s’interpréter à partir d’un codage spécifique des
modalités des réponses.

6. NOTION DU MODELE ET DE REGRESSION LINEAIRE MULTIPLE

6.1 Modélisation mathématique
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 ) (𝟏)

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 :
𝒚 = 𝒂𝟎 + ∑ 𝒂𝒊 𝒙𝒊 + ∑ 𝒂𝒊𝒋 𝒙𝒊 𝒚𝒋 + ∑ 𝒂𝒊𝒊 𝒙𝟐𝒊 + ⋯ (𝟐)
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.

6.2. Modélisation expérimentale

Deux compléments doivent être apportés au modèle purement mathématique précédemment
décrit.

8
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 la lettre.
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 la lettre .
La relation générale doit être modifiée ainsi :
𝑦 = 𝑓( 𝒙𝟏 , 𝒙𝟐 , 𝒙𝟑 , … , 𝒙𝒏 ) + ∆ + 𝜺 (𝟑)

7. PLAN FACTORIEL 2K COMPLET

Un plan factoriel complet est constitué de l'ensemble des objets que l'on peut constituer à l'aide
des combinaisons des facteurs que l'on étudie.
Les plans factoriels complets à deux niveaux (2k) sont les plus simples, ils sont aussi les plus
utiles car ils forment la base de toute début d’étude. Les premiers résultats obtenus grâce à ces
plans peuvent toujours être complétés par de nouvelles expériences permettant d’atteindre le
degré de précision et d’information recherché. Il s’agit de plans pour lesquelles on étudie k
facteurs prenant chacun deux niveaux. Le modèle mathématique adapté à priori prenait en
compte la moyenne, les effets de chaque facteur et toutes les interactions entre les facteurs pris
deux à deux, trois à trois,…, k à k.
Y = a0 + ∑ ai xi + ∑ aij xi xj +∑ aijl xi xj xl + … + ∑ aij…k xi xj…xk (4)
y est la grandeur à laquelle s’intéresse l’expérimentateur : cette grandeur s’appelle la réponse.
xi,…, xk sont les variables. On les appelle aussi facteurs.
a0, ai,…, ak sont les coefficients du modèle. On les appelle effets des facteurs.

7.1. Exemple de calcul des effets

Les plans factoriels permettent de mettre en évidence parmi les facteurs étudiés, ceux qui ont
une influence sur la réponse, ainsi que d’éventuelles interactions entre les facteurs. La grandeur
de cette influence est appelée effet du facteur ou de l’interaction. Un effet positif signifie que
la valeur de la réponse augmente quand le facteur passe du niveau bas au niveau haut ; un effet
négatif signifie que la réponse diminue quand on passe du niveau bas au niveau haut.

9
Un facteur A est d’autant plus influent que la valeur absolue de son effet est plus grande ; il est
plus influent qu’un facteur B si la valeur absolue de son effet est plus grande.

7.2. Représentation graphique des effets

La représentation graphique permet une interprétation facile (visuelle) de l’effet des facteurs
principaux et des interactions sur la réponse.

7.2.1. Graphiques des effets principaux

Puisqu’il est souvent difficile d’obtenir des informations en regardant une équation
mathématique, les graphiques des effets principaux sont presque toujours importants. La
représentation graphique des effets principaux peut être tracée à partir du tableau des réponses
moyennes des effets principaux (Voir tableau 1). Elle permet de :
• Montrer quels sont les facteurs qui ont un effet significatif et ceux qui ont un effet nul ou
négligeable. La grandeur d’un effet est définie par la grandeur de la pente de la droite entre
l’axe des abscisses et le tracé du graphique.
• Montrer si les facteurs ont un effet négatif ou positif. Cela dépend du signe de l’angle ; si
l’angle est positif cela signifie que l’effet du facteur est positif. Si l’angle est négatif cela signifie
que l’effet du facteur est négatif.
• Comparer les effets des différents facteurs. Cette comparaison est effectuée en fonction de la
grandeur d’angle des différents facteurs (quelques soit son signe).

Exemple 1 : Plan 23
Dans une solution pharmaceutique habituellement fabriquée à 30°C, sous agitation (200 tr/min)
un léger trouble apparaît.
L’expérimentateur désire connaître la (ou les) cause(s) et pense que 3 facteurs peuvent jouer :
- La température
- La vitesse d’agitation
- La concentration d’un additif présent à 0,30 %
Le trouble se mesure par un indice d’opacité traduisant l’impression visuelle que donne
l’intensité du « louche » : c’est la réponse.
Il est décidé d’organiser une expérience factorielle 23

10
 Facteurs Niveaux
A : Température 20-40°C
B : Vitesse d’agitation 100-300tr/min
C : Concentration additif 0,1-0,5%

Plan 23 : Matrice d’expériences

Essais A B C Réponse
1 -1 -1 -1 0,0
2 +1 -1 -1 4,7
3 -1 +1 -1 0,0
4 +1 +1 -1 11,5
5 -1 -1 +1 9,0
6 +1 -1 +1 14,5
7 -1 +1 +1 5,1
8 +1 +1 +1 18,7

Tableau 1: Effets moyens des facteurs A, B et C.

A B C
Min (-1) 3,525 7,050 4,050
Max (+1) 12,350 8,825 11,825

Réponse Y
12,350
11,82
58,825
7,050

4,050
3,525

-1 A +1 -1 B +1 -1 C +1 Facteurs
A

Figure 8 : Représentation graphique des effets principaux de A, B et C.

11
En observant les graphiques des effets de A, B et C de la figure 8, nous constatons que les deux
facteurs ont des effets globaux significatifs sur l’indice d’opacité. Or, A et C ont un effet global
positif, par contre le facteur B montre un effet global négligeable.

Graphiques des effets d’interactions

Lorsque des interactions significatives existent entre les facteurs expérimentaux, les
diagrammes d’effets principaux ne racontent pas toute l’histoire sur les facteurs qui
s’interagissent et peuvent même être trompeurs. Dans de tels cas, les graphiques d’interactions
doivent être produits pour chaque paire de facteurs. La représentation graphique de l’effet d’une
interaction peut être tracée à partir du tableau des réponses moyennes des interactions. Moins
les lignes sont parallèles, plus une interaction significative est probable.
Tableau 2 : Interactions des facteurs AB AC et BC.

A- A+ A- A+ C- C+

B- 4,5 9,6 C- 0 8,1 B- 2,35 11,7

B+ 2,55 15,1 C+ 7,05 16,6 B+ 5,75 11,9

Réponse Réponse Réponse

A+ A+

C+

X2-

X2+ C-
- A-
A

B- B+ C- C+ B- B+

Figure 9 : Représentation graphique de l’effet de l’interaction AB, BC et AC.

La figure 9 représente les données des réponses moyennes pour les interactions AB, AC et BC.
Les deux lignes du graphique ne sont pas parallèles pour les trois interactions donc l’interaction
n’est pas faible.

12
7.4. Forme matricielle- Régression multiple
- Matrice d’expériences
La matrice d’expériences montre toutes les combinaisons possibles des niveaux haut et bas pour
chaque facteur d’entrée. Ces niveaux haut et bas peuvent être codés +1 et -1. Par exemple, une
expérience à 2 facteurs nécessitera 4 essais.
Un plan pour lequel nous avons k facteurs est appelé un plan 2k. Le nombre d’expériences à
réaliser sera donc 2k expériences. Ce nombre devient rapidement très important. Par exemple
pour seulement 7 facteurs, il faudrait 27 =128 expériences. Pour diminuer le nombre des essais
en conservant la possibilité d’étudier tous les facteurs, les plans factoriels fractionnaires à deux
niveaux ont été proposés (voir chapitre 3).
Une matrice d’expériences peut se construire à la main en suivant l’algorithme de Yates ; pour
une colonne c nous alternons : une série de 2c-1 (-1) et de 2c-1 (+1). La figure 8 montre les
matrices d’expériences pour deux plans factoriels complets 22 et 23.

Figure 10 : Matrices d’expériences pour les plans factoriels complets 22 et 23

Le modèle mathématique postulé est un modèle du premier degré par rapport à chaque facteur.
L’équation 5 représente le modèle postulé sans interactions.
𝒀 = 𝒂𝟎 + ∑𝒌𝒊=𝟏 𝒂𝒊 𝒙𝒊 + 𝜺 (5)
Où a0 représente l’effet théorique et les ai représentent les effets principaux des différents
facteurs.
Le modèle avec interactions d’ordre 2 prend en considération les interactions entre chaque
facteur et un autre. Les effets des interactions sont quantifiés et représentés par les coefficients
aij de l’équation 6.
𝒀 = 𝒂𝟎 + ∑𝒌𝒊=𝟏 𝒂𝒊 𝒙𝒊 + ∑ ∑𝒌𝒊<𝒋 𝒂𝒊𝒋 𝒙𝒊 𝒙𝒋 + 𝜺 (6)

13
Le modèle générique à k facteurs avec toutes les interactions est dit modèle complet, il peut être
décrit par l’équation 7.
𝒀 = 𝒂𝟎 + ∑𝒌𝒊=𝟏 𝒂𝒊 𝒙𝒊 + ∑ ∑𝒌𝒊<𝒋 𝒂𝒊𝒋 𝒙𝒊 𝒙𝒋 +. . + 𝒂𝒊𝒋..𝒌 𝒙𝒊 𝒙𝒋 … 𝒙𝒌 + 𝜺 (7)
Effets globaux et effets moyens
Soit la matrice d’expériences avec réponses (yi) (tableau 3) pour un plan factoriel complet 22
pour deux facteurs nommés x1 et x2.
Tableau 3 : Matrice d’expériences avec réponses pour un plan factoriel complet 22
Expérience X1 X2 Réponse (yi)
1 -1 -1 Y1
2 +1 -1 Y2
3 -1 +1 Y3
4 +1 +1 Y4

Les effets principaux des facteurs ainsi que leurs interactions peuvent être quantifié :
Les effets moyens d’un facteur aux niveaux -1 et +1 correspondent aux moyennes des réponses
pour chaque niveau. Les effets moyens du facteur x1 sont donnés par les équations 8 et 9.
𝑦1 +𝑦3
𝑎1− = (8)
2
𝑦2 +𝑦4
𝑎1+ = (9)
2

Idem pour le facteur x2, les effets moyens sont donnés par les équations 10 et 11.
𝑦1 +𝑦3
𝑎2− = (10)
2
𝑦3 +𝑦4
𝑎2+ = (11)
2

Effet global d’un facteur : L’effet global d’un facteur est défini comme la variation moyenne
de la réponse en passant du niveau bas du facteur à son niveau haut. Dans un plan factoriel
équilibré à deux niveaux, l’effet estimé d’un facteur est la variation moyenne de la réponse
entre ses deux niveaux (sachant que la réponse dans un niveau est représentée par son effet
moyen).
𝒂+ −
𝟏 −𝒂𝟏 −𝒚𝟏 +𝒚𝟐 −𝒚𝟑 +𝒚𝟒
𝒂𝟏 = = (12)
𝟐 𝟒
𝒂+ −
𝟐 −𝒂𝟐 −𝒚𝟏 −𝒚𝟐 +𝒚𝟑 +𝒚𝟒
𝒂𝟐 = = (13)
𝟐 𝟒

D’une manière générale, quand le modèle choisi est un polynôme, les coefficients des termes
du premier degré sont les effets des facteurs.
Réponse théorique : est la moyenne des réponses observées aux niveaux -1 et +1.

14
 +𝒚𝟏 +𝒚𝟐 +𝒚𝟑 +𝒚𝟒
𝒂𝟎 = (14)
𝟒

Effets des interactions : Pour calculer l’effet d’une interaction entre plusieurs variables x1,
x2,…,xk, nous ajoutons à la matrice des effets une colonne, que nous la baptisons xixj:::xk, et
que nous l’obtenons en faisant le produit ”ligne à ligne” des colonnes des variables. L’effet
moyen et l’effet global d’une interaction peuvent être calculés de la même manière que celle de
l’effet global d’un facteur et son effet moyen. La matrice des effets principaux et des effets des
interactions (pour deux facteurs nous avons qu’une seule interaction) pour un plan factoriel
complet pour deux facteurs est montré dans le tableau 4.
Tableau 4 : Matrice d’expériences avec effets pour un plan factoriel complet 22
Expérience Moyenne X1 X2 x1x2 Réponse
(yi)
1 +1 -1 -1 +1 Y1

2 +1 +1 -1 -1 Y2

3 +1 -1 +1 -1 Y3

4 +1 +1 +1 +1 Y4
𝑦1 +𝑦2 +𝑦3 +𝑦4 𝒂+ −
𝒂+ −
𝒂+ −
Effet ai a0= 𝟏 −𝒂𝟏 𝟐 −𝒂𝟐 𝟏𝟐 −𝒂𝟏𝟐
4 a1= 𝟐
a2 = 𝟐
a12= 𝟐

Le coefficient a12 mesure donc la variation de l’effet du facteur x1 quand le niveau du facteur
x2 est modifié. Nous pouvons aussi montrer que le même coefficient a12 mesure également la
variation de l’effet du facteur x2 quand le niveau du facteur x1 est, lui aussi, modifié.
+ −𝑎−
𝑎12 12 𝑦1 −𝑦2 −𝑦3 +𝑦4
𝑎12 = = (15)
2 4

Donc, le modèle mathématique linéaire peut s’écrire par l’équation 16.

𝑦 = 𝑎0 + 𝑎1 𝑥1 + 𝑎2 𝑥2 + 𝑎12 𝑥1 𝑥2 + 𝜀 (16)

Régression multiple
Sous forme indicée :
∀𝑖 = 1, … , 𝑛 𝑌𝑖 = 𝛽0 + 𝛽1 𝑥𝑖1 + ⋯ . + 𝛽𝑝 𝑥𝑖𝑝 + 𝜀𝑖
Avec
𝐸(𝜀𝑖 ) = 0; 𝑉(𝜀𝑖 ) = 𝜎 2 ; 𝑐𝑜𝑣(𝜀𝑖 , 𝜀𝑘 ) = 0
Modèle traduit l’influence de chaque variable sur Y.
Linéaire du modèle : linéaire par rapport aux paramètres.
Additivité : Les effets des variables s’additionnent.
Modèle polynomial possible : 𝑌𝑖 = 𝛽0 + 𝛽1 𝑥𝑖 + 𝛽2 𝑥𝑖 2 + 𝜀𝑖

15
En toute rigueur, on devrait dire :
Si β1 et positif, alors quand la variable x1 augmente, toutes les autres variables restants égales
par ailleurs, alors Y augmente.
𝑌1 = 𝛽0 + 𝛽1 𝑥11 + ⋯ + 𝛽𝑗 𝑥1𝑗 + ⋯ + 𝛽𝑝 𝑥1𝑝 + 𝜀1
𝑌𝑖 = 𝛽0 + 𝛽1 𝑥𝑖1 + ⋯ + 𝛽𝑗 𝑥𝑖𝑗 + ⋯ + 𝛽𝑝 𝑥𝑖𝑝 + 𝜀𝑖
𝑌𝑛 = 𝛽0 + 𝛽1 𝑥𝑛1 + ⋯ + 𝛽𝑗 𝑥𝑛𝑗 + ⋯ + 𝛽𝑝 𝑥𝑛𝑝 + 𝜀𝑛
Matriciellement :
𝑌 = 𝑋𝛽 + 𝐸
2
Avec E(E) = 0 ; V(E) = 𝜎 ⁄𝑑
𝛽0
𝑌1 1 𝑥11 … 𝑥1𝑗 … 𝑥1𝑝 𝜀1
. . . 𝛽1 .
.
. . . . .
.
.
𝑌𝑖 = 1 𝑥𝑖1 … 𝑥𝑖𝑗 … 𝑥𝑖𝑝 + 𝜀𝑖 (17)
. . . 𝛽𝑖 .
.
. . . . .
.
. [𝜀
𝑌
[ 𝑛] [1 𝑥 𝑛1 … 𝑥 𝑛𝑗 … 𝑥𝑛𝑝 ] 𝑛]
[𝛽𝑛 ]

8. Exemple d’application
En prenant l’exemple de la cuisson d’un gâteau ou nous voulons étudier l’influence de trois
(03) facteurs à savoir la température du four, la durée de cuisson et l’ajout ou le non ajout de la
levure sur l’épaisseur du gâteau (Ei). Nous voulons déterminer quels sont les facteurs et les
interactions qui ont un effet significatif et ceux qui ont un effet négligeable. L’expérimentateur
décide d’utiliser un plan d’expériences factoriel complet 23. Il définit le domaine d’étude des
trois paramètres comme suit (Voir tableau 5) :

Tableau 5 : Domaines d’étude des trois paramètres.

T (°C) D (min) L
Niveau bas : -1 150 15 Sans
Niveau haut : +1 200 25 Avec

Les résultats mesurés de l’épaisseur (Ei) pour chaque expérience réalisée ainsi que les
coefficients calculés sont donnés dans le tableau 6.

16
Tableau 6 : Matrice d’expériences avec effets de l’exemple étudié.
Expériences T D L TD TL DL TDL Réponse
1 -1 -1 -1 +1 +1 +1 -1 66,82
2 1 -1 -1 -1 -1 +1 +1 45,22
3 -1 1 -1 -1 +1 -1 +1 69,22
4 1 1 -1 +1 -1 -1 -1 38,48
5 -1 -1 1 +1 -1 -1 +1 66,60
6 1 -1 1 -1 +1 -1 -1 74,82
7 -1 1 1 -1 -1 +1 -1 74,20
8 1 1 1 +1 +1 +1 +1 74,28

Pour déterminer les coefficients du modèle complet, nous calculons l’effet théorique, les effets
principaux et l’effet d’interaction en remplissant la matrice des effets.
Expériences a0 T D L TD TL DL TDL
Effet 63,705 – 5,505 0,34 8,77 – 2,16 7,58 1,425 0,125

66,82 + 45,22 + 69,22 + 38,48 + 66,6 + 74,82 + 74,20 + 74,28

𝑎0 = = 63,707
8
(45,22 + 38,48 + 74,82 + 74,28) − (66,82 + 69,22 + 66,60 + 74,20)
𝑎𝑇 = = −5,505
8
(69,22 + 38,48 + 74,20 + 74,28) − (66,82 + 45,22 + 66,6 + 74,82)
𝑎𝐷 = = 0,34
8
(66,6 + 74,82 + 74,2 + 74,28) − (66,82 + 45,22 + 69,22 + 38,48)
𝑎𝐿 = = 8,77
8
(66,82 + 38,48 + 66,6 + 74,28) − (45,22 + 74,82 + 74,2 + 69,22)
𝑎 𝑇𝐷 = = −2,16
8
(66,82 + 69,22 + 74,22 + 74,28) − (45,22 + 38,48 + 66,6 + 74,20)
𝑎 𝑇𝐿 = = 7,58
8
(74,2 + 74,28 + 45,22 + 66,82) − (74,28 + 66,6 + 69,22 + 38,48)
𝑎𝐷𝐿 = = 1,425
8
(74,28 + 66,6 + 69,22 + 45,22) − (66,82 + 74,20 + 74,82 + 38,48)
𝑎 𝑇𝐷𝐿 = = 0,125
8
Le modèle mathématique complet est :
E = 63,705 – 5,505T + 0,34D + 8,77L – 2,16TD + 7,58TL + 1,425DL + 0,125TDL (15)
- Tracer les graphiques des effets principaux et les interactions des facteurs etudiés.

17
7.3. Limitation à l’utilisation des plans factoriels complets
Les plans 2k sont simple à concevoir et riches en informations : ils permettant de décrire
quantitativement tous les effets des facteurs et de toutes les interactions.
Ainsi, dans une étude comportant 5 facteurs (A, B, C, D et E), on peut estimer 31 effets
indépendamment les uns des autres : 5 effets principaux, 10 interactions entre 2 facteurs ( AB,
AC, .., DE), 10 interactions entre 3 facteurs (ABC, ABD, .., CDE), 5 interactions entre 4 facteurs
(ABCD, …, BCDE) et 1 interaction constituée des 5 facteurs (ABCDE) ; mais il faut effectuer
32 essais(25).
Dès que le nombre de facteurs augmente, leur mise en œuvre devient lourde et coûteuse, car le
nombre des essais devient vite très important.

18