Cours Doe

République Algérienne Démocratique et populaire
Ministère de l’Enseignement Supérieur et de la Recherche Scientifique
Ecole Nationale Supérieure de Biotechnologie
-Taoufik KHAZNADAR- Constantine (Algérie)
https://ensbiotech.edu.dz/
OPTIMISATION ET PLANIFICATION
EXPERIMENTALE
Préparé par :
Dr. Mohammed BERKANI

2 Optimisation et Planification Expérimentale
OBJECTIFS À ACQUÉRIR
Connaitre la démarche d’une planification expérimentale
Identifier les conditions de mise en œuvre des plans d‘expériences
Décrire le problème à résoudre et l'objectif à atteindre
Définir les caractéristiques du plan d‘expériences et le construire
Planifier et réaliser les essais
Exploiter les résultats
Calculs statistiques et optimisation,
Interprétation et validation des résultats

PARTIE I
PLANS D’EXPERIENCES
CRIBLAGE DES FACTEURS

I. Cycles et stratégies expérimentales
I.1. Stratégie d’expérimentation
L’observation d’un système ou d’un processus en cours de fonctionnement constitue une

partie importante du processus d’apprentissage, 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 (Figure 1). Donc
l’expérimentateur, quel que soit son domaine d’étude, est toujours confronté au problème
difficile de l’organisation optimale de ses essais, lorsque l’expérimentation est un moyen
privilégié pour acquérir où améliorer des connaissances, cette dernière doit être optimisée pour
obtenir les bonnes informations dans les meilleurs délais et pour le moindre coût.
Figure 1 : Le modèle général d’un procédé ou un système
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 (figure 2) (Tinsson, W., 2010)
Figure 2 : Le processus d’acquisition des connaissances
I.2. 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”
I.2. 1. 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 ?
I.2. 2. 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 (figure 2), si par exemple
dans une étude nous avons 5 variables et si l'on décide de donner 4 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.
II. 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 (Figure 3). 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. Néanmoins il ne suffit pas d'effectuer un certain
nombre d'essais : le choix des essais est fondamental pour l'obtention d'une précision optimale
dans la détermination des coefficients, donc il faut chercher à obtenir la meilleure précision
possible sur la surface de réponse tout en limitant le nombre d’expériences. Le plan d'expérience
est donc considéré comme un outil de savoir quels sont les facteurs ou les interactions qui ont
une influence statistiquement significative sur la réponse étudiée. (Jiang, W et al, 2013).
L'exploitation des résultats expérimentaux consiste à calculer les coefficients du modèle
polynomial.
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.
Figure 3 : Les étapes d’une démarche de planification et optimisation
II.1. Aspect historique

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. (Tinsson, W., 2010). 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.
II.2. Mise en œuvre d’un plan d’expérience

La méthodologie de la mise en œuvre d’un plan d’expérience s’articule sur trois étapes (Figure
4)
• Définir le problème
Formalisation de • Déterminer les objectifs
problème • Définir l’entrée et la sortie
• Définir le domain d'étude
• Plan criblage
Choix de Plan • Plan d’optimisation (modélisation)
Expérimentation
• Analyse statistique
Analyse des résultats • Validation des hypothèses
• Solution de problème
Figure 4 : La mise en œuvre d’un plan d’expérience
II.2.1. Définir le problème
La définition du problème consiste à faire appel à la méthode de QQCOQP qui permet à

répondre à certaines questions :
Q : En Quoi consiste le problème
Q : Qui est gêné par le problème ? Qui le demandeur de l’étude ?
C : Combien de cas ? Combien ça coute ?
O : Où cela se passe-t-il ?
Q : Quand cela arrive-t-il ?
P : Pourquoi est-ce un problème ?
II.2.2. 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.
II.2.3. 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.
Exemple : La valeur donnée à un facteur pour réaliser une expérience est appelée niveau (Figure
5).
Figure 5 : Les niveaux et domaine d’étude d’un facteur
II.2.3. 1. Variables codées ou variables centrées réduites
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
x= ΔX
(X0 étant la valeur centrale en unités courantes et ΔX étant le pas)

N.B : 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.
II.2.4. 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 (figure 4), 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.
Figure 6 : Domaine d’étude crée par deux facteur et une réponse
II.2.5. Choix de la stratégie (Plan) :
 Les plans de criblages (Screening) : l'objectif de ces plans est de découvrir les
facteurs les plus influents sur une réponse donnée en un minimum d'expériences.
Les plans utilisés dans cette phase de criblage sont plans factoriels fractionnaires à
deux niveaux ; les plus souvent employés dites Plackett-Burman Design
 Les plans d’optimisation (Surface de réponse) : l'objectif de ces plans est de

déterminer les niveaux optimaux des facteurs considérés influents après criblage qui
permet d’obtenir une réponse optimale via une relation mathématique qui lie les
réponses mesurées aux variables associés soit par une démarche mathématique
analytique ou purement matricielle ; il existe plusieurs plans destinés à
l’optimisation comme les plans centrés composites, plans de Box-Behnken, plans de

Dohlert etc…
Plans factoriels complets 2k: 2 niveaux par facteur ⇒ modèle du 1er degré
Plans pour surfaces de réponse : au moins 3 niveaux par facteurs ⇒modèles du 2nd
degré.
 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 (par exemple leur somme/
ou leur rapport doit être égale à une certaine constante).
N.B : Les plans factoriels complets à deux niveaux forment la base de tous les débuts d’études,
Dans notre cours, on considère donc que la bonne maîtrise de la méthodologie des plans
d’expériences est basée sur la compréhension de la conception et l’application des notions de
statistiques sur ce type de plans, l’un des avantages de ce type de plans est d’une part leur
facilité de construction et d’autre part, comme il sera d´démontré par la suite par la suite, leur
facilité d’analyse.
II.2.5.1. Les différents 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 débits d’études, de plus un plan factoriel étant caractérisé par la
présence d’au moins deux facteurs, Il existe plusieurs types des plans factoriels :
- Plans factoriels à deux niveaux.

- Plans à plusieurs niveaux.
- Plans pour surfaces de réponse.
- Plans de mélanges.
- Plans booléens.
- Plans optimaux.
- Plans pour simulations numériques
Les plans factoriels à deux niveaux sont applicables à tous les types de facteur sans distinction
(facteur continu ou discret).
 Le k en exposant signifie qu’il y a k facteurs étudiés ;
 Le 2 signifie que chaque facteur prend deux niveaux.
Nous allons d’abord décrire le cas simple du plan 22. Commençons par expliquer cette notation
:
II.2.5.2. Définition de facteurs
Si dans l'étude d'un processus la température doit intervenir, et celle-ci varie dans un intervalle
[20°C - 60°C], c’est un facteur continu. On dira alors que le niveau bas du facteur température
est 20oC et le niveau haut est 60oC ; on peut décider de ne travailler qu'avec une température de
20oC puis de 60oC : au lieu de faire plusieurs variations de T, on en fait que deux et le domaine
expérimental de la température sera 20oC-60oC. Si le facteur est discret, le niveau bas et le
niveau haut correspondront à deux modalités du facteur, par exemple deux types d’objets. Dans
la pratique, le niveau bas sera codé -1 et le niveau haut +1. Un plan pour lequel chacun des k
facteurs ne possède que 2 niveaux est appelé plan 2k.
II.2.6. Matrice d’expérience
La plupart des plans d’expérience sont utilisés avec des modèles que l’on peut facilement
d´écrire en utilisant les outils du calcul matriciel classique. Rappelons que l’élément de base est
une matrice, c’est-à-dire un tableau A contenant n lignes et p colonnes.
Afin d’uniformiser l’écriture de la matrice de ces plans d’expérience il est possible de disposer
leurs lignes suivant l’ordre standard (encore appelé ordre de Yates). Il s’agit de respecter les
conventions suivantes pour la partie factorielle du plan :
1) la première ligne de D n’est constituée que des valeurs -1(i.e. la première expérience est
réalisée en fixant tous les facteurs à leur niveau bas),
2) la première colonne de D est obtenue en changeant de signe toutes les lignes. La seconde
colonne est obtenue en changeant de signe toutes les 2 lignes, ..., la k-ième colonne de D est
obtenue en changeant de signe toutes les 2 k-1 lignes.
D’autres constructions matricielles sont basées sur certaines critères comme l’orthogonalité,
donc un plan d’expérience est qualifié d’orthogonal si et seulement si la matrice XtX (ou de
manière équivalente M) est une matrice diagonale. La formule dans laquelle la matrice Xt est
la matrice transposée de X.
II.2.7. Expérimentation
Les essais ou les expériences s’effectuent selon la matrice expérimentale du plan associé soit
un plan de criblage ou d’optimisation.
III. Outils mathématique : Notions de statistique appliquées aux plans

d’expériences
III.1. 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) (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 :
(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.
Ce modèle est appelé le modèle a priori ou le modèle postulé.
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.
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 (1) doit être modifiée ainsi :
y = f (x1,x2,x3,…,xn) + Δ + ε (3)
III.2. Calcul des estimations ponctuelles (système d’équations)
Chaque point expérimental apporte une valeur de la réponse. Or cette réponse est
modélisée par un polynôme dont les coefficients sont les inconnues qu’il faut déterminer. À la
fin du plan d’expériences, on a un système de n équations (s’il y a n essais) à p inconnues (s’il
y a p coefficients dans le modèle choisi a priori). Ce système s’écrit d’une manière simple en
notation matricielle :
Y=Xa+e (4)
Où :
– y est le vecteur des réponses,
– X est la matrice de calcul des coefficients ou matrice du modèle qui dépend des points
expérimentaux choisis pour exécuter le plan et du modèle postulé,
– a est le vecteur des coefficients,
– e est le vecteur des écarts.
Ce système ne peut pas, en général, être résolu simplement car le nombre d’équations est
inférieur au nombre d’inconnues. En effet, il y a n équations et p + n inconnues. Cette résolution
ne peut être menée à bien que si l’on utilise une méthode de régression. La plupart du temps
cette méthode est basée sur le critère d’optimisation des moindres carrés. On obtient ainsi les
estimations des coefficients que l’on note â, la méthode matricielle (voir exemple d’application)
permet aussi de calculer ces coefficients du modèle de régression.
Le résultat de ce calcul est :

a = (Xt X)–1 Xt y (5)
La formule dans laquelle la matrice Xt est la matrice transposée de X. Il existe de nombreux

logiciels qui exécutent ce calcul et qui donnent directement les valeurs des coefficients.
Deux matrices interviennent constamment dans la théorie des plans d’expériences :
– la matrice d’information Xt X,
– la matrice de dispersion (Xt X)–1.
III.3. Test de t-student
Nous pouvons juger l’importance des coefficients en les comparants entre eux. Mais nous
n’avions aucun étalon pour comparer tous les coefficients et indiquer ceux qui devaient être
conservés et ceux qui pouvaient être éliminés du modèle mathématique final, donc il est
nécessaire de faire une évaluation de l’incertitude liée aux coefficients par le bais du deux types
d’erreurs citées précédemment (erreur expérimentale et manque d’ajustement)
Nous insisterons sur le rôle prépondérant de l’écart-type σ i (Standard deviation) qui sert
d’étalon pour évaluer l’importance d’une grandeur aléatoire. L’écart-type permet de calculer la
valeur de t-student et p-value qui mesure la probabilité qu’un événement soit rare.
Les calculs statistiques qui permettent de savoir si les effets sont significatifs, de calculer les
intervalles de confiance ou de valider la linéarité du modèle font intervenir d'une part les résidus
ri , c'est-à-dire la différence entre la valeur expérimentale et la valeur prédite par le modèle et,
d'autre part de la variance commune des résidus.
∑𝑟𝑖²
𝑉𝑎𝑟𝑖𝑎𝑛𝑐𝑒 (𝑣𝑎𝑟) = 𝑁−𝛅
(6)
Où N est le nombre d'expériences réalisées et δ le nombre de coefficients du modèle.
L’écart type (Standard deviation SD) σ i est égale à la racine carrée de la variance (var), et
σ𝑖
l’erreur standard (Standard error SE) (σx ) est donnée par la formule suivante : (σx ) = √𝑁
Un effet sera dit significatif (c'est-à-dire que la variable ou l'interaction qui lui est associée
à une influence sur la réponse), s'il est, pour un risque donné, significativement différent de 0.
Pour cela, on calcule : ti = |ai|/ (σx )
On utilise alors une table de t-student à ν = 𝑁 − 𝛅 degrés de liberté

On choisit un risque de première espèce α (le plus souvent 5% ou 1%) et on lit dans cette
table de t-student la valeur tcrit(α, ν). La règle du test est alors la suivante :
Si ti >tcrit(α, ν), l’effet est significatif.
Si ti <tcrit(α, ν), l’effet n’est pas significatif
III.4. Test de Fisher (Analyse da variance ANOVA)

D'une manière générale, l'objectif d'une analyse de variance (ANOVA) vise à tester les
différences significatives entre les moyennes mesurées lorsqu'il y a plus de deux valeurs à
comparer (Tableau 1), l’intérêt principal d’ANOVA est de pouvoir tester de manière absolue
l’influence des facteurs sur les variations d’une réponse donnée.
On notera par la suite Yi les réponses observées lors de la réalisation des expériences et Yiest la
réponse estimée à l'aide du modèle linéaire. On notera, de même, Ymoy la moyenne des réponses.
On définit alors trois types de "variations"
- La variation due à la liaison linéaire (à la régression ou au modèle) :

SCEM=Σ (Yiest – Ymoy)2 "somme des carrés des écarts du modèle". (Somme des carrés des
réponses calculées)
- La variation résiduelle :
SCER=Σ (Yi – Yiest)2 "somme des carrés des écarts des résidus".
- La variation totale :
STCE=SCEM+SCER: " somme totale des carrés des écarts". Où (Somme des carrés des
réponses mesurées)
On définit de plus un "carré moyen" : CM, qui est le quotient d'une somme de carrés par son
degré de liberté.
SCEM aura (𝛅 - 1) degrés de liberté, SCER aura (𝑁 − 𝛅) degrés de libertés et SCET aura (N-
1) degrés de liberté.
Le tableau de l'analyse de variance se présente alors de la façon suivante :
Tableau 1 : Analyse de variance ANOVA

Somme des carrés DDL Carré moyen Valeur de F
Variation due à (Fisher)
Liaison SCEM 𝛅-1 𝑆𝐶𝐸𝑀 𝐶𝑀𝐿
= 𝐶𝑀𝐿 Fobs=𝐶𝑀𝑅
𝛅 − 1
Résidus SCER 𝑁 − 𝛅 𝑆𝐶𝐸𝑅
= 𝐶𝑀𝑅
𝑁−𝛅
Totale SCET N - 1 𝑆𝐶𝐸𝑇
= 𝐶𝑀𝑇
𝑁−1
Le test F permet alors de comparer pour un risque fixé à l'avance le Fobs que l'on a calculé dans
le tableau précédent avec un F(critique) lu dans la table de Fisher-Snedecor avec (𝛅 -1) et (𝑁 −
𝛅) degrés de liberté.
La règle du test est alors pour un risque a choisi :
Si Fobs < F(critique), on rejette l'hypothèse de linéarité du modèle.
Si Fobs > F(critique), on accepte l'hypothèse de linéarité du modèle avec la confiance 1- α.
Dans le cas de non significativité, les termes concernés peuvent être exclus du modèle. Il est
alors préférable de refaire une analyse de variance afin de s’assurer que tous les éléments
restants sont bien significatifs.
- Coefficient de détermination R²
L’analyse de la variance permet de calculer une statistique très utile : le R².
Cette statistique est le rapport de la somme des carrés des réponses calculées à la somme des
carrés des réponses mesurées :
Le coefficient de détermination traduit la contribution du modèle dans la restitution de la

variation de la réponse observée. Par définition, le coefficient de détermination appartient à
l’intervalle [0 ; 1].
Le tableau d’analyse de variance permet d’établir immédiatement le coefficient de
détermination à partir de la relation : R2= SCEM/SCET
III.5. Logiciels pour les plans d’expérience

L’outil informatique est nécessaire à la réalisation rapide et précise d’une étude menée
à l’aide d’un plan d’expérience. Ceci peut être utile tout d’abord pour bénéficier d’une
assistance à la création du plan d’expérience (plan classique, plans optimaux, etc.…), puis pour
réaliser tous les calculs fastidieux (recherche des estimateurs, tests d’hypothèses, etc..) et enfin
pour obtenir tous les types de sorties conviviales existant (diagrammes de Pareto,
représentations graphiques des surfaces de réponses, etc..). Présentons ici brièvement diverses
solutions logicielles.
Un grand nombre de logiciels spécialisés en statistique existent sur le marché peuvent être
utilisés tels que : S-Plus, SPSS, Statgraphics, Genstat, etc... Il existe cependant un logiciel en
langue française comme le MINITAB et le JMP qui sont exclusivement dédié à la construction
et l’analyse des plans d’expérience.
IV. Notre premier plan d’expérience : Plan factoriel complet 2k
Les plans factoriels complets à deux niveaux forment la base de tous les débuts d’études,
Dans notre cours, on considère donc que la bonne maîtrise de la méthodologie des plans
d’expériences est basée sur la compréhension de la conception et l’application des notions de
statistiques sur ce type de plans, l’un des avantages de ce type de plans est d’une part leur
facilité de construction et d’autre part, comme il sera d´démontré par la suite par la suite, leur
facilité d’analyse.
Un laboratoire biologique cherchant à élaborer une solution ayant la plus grande concentration
cellulaire possible, Les biologistes ont établi que la réponse obtenue (la concentration cellulaire
mesurée en μg/l) semble dépendre principalement de 3 facteurs qui sont la température et le
taux d’oxygénation.
Le tableau ci-dessous récapitule les facteurs avec leurs niveaux (haut et bas)
Niveau bas : -1 Niveau haut :0 Niveau haut :+1
Température 30 35 40
Oxy (%) 10 20 30
Les différentes étapes précédentes de la mise en œuvre d’un plan d’expérience doivent être
suivi pour résoudre cette problématique :
L’objectif est d’avoir le maximum de la concentration cellulaire (μg/l),
Notre choix est porté sur le plan factoriel complet à deux niveaux 2k, Le k en exposant
représente le nombre des facteurs à étudier, dans notre exemple nous avons considéré deux
facteurs influant sur la grandeur d’intérêt (la réponse), la concentration cellulaire ; on obtient
un plan complet 22.
La construction matricielle est basée sur l’ordre standard (ordre de Yates), et en suivant cette
matrice pour effectuer l’étape d’expérimentation, le tableau ci-dessous représente la matrice
expérimentale et les réponses correspondantes.
Tableau 2 : Matrice expérimentale d’un plan factoriel complet à 2 niveaux : 22
Exp T (X1) Oxy%(X2) T ×Oxy% (X1 X2) y (%)

1 -1 -1 +1 y1= 76.93
2 +1 -1 -1 y2= 77.05
3 -1 +1 -1 y3= 82.66
4 +1 +1 +1 y4= 86.85
Niveau – 30°C 10%
Niveau 0 35°C 20%
Niveau + 40°C 30%
Le modèle postulé des plans factoriels complets 22 est :
y =a0 +a1X1 +a2X2 + a12X1X2.

(8)
On peut reporter ces résultats sur le domaine d’étude sur la figure 6 :

Figure 6 : Valeur de la réponse en divers points du domaine d’étude.
IV.1. Calcul des effets
On appelle effet global d'un facteur la variation de la réponse quand le facteur passe du niveau
-1 au niveau +1. On appelle effet moyen d'un facteur la demi-variation de la réponse quand le
facteur passe du niveau -1 au niveau +1. Ainsi, l'effet moyen est défini comme étant la moitié
de l'effet global.
Effet global de X1 : y2 + y4- y1 -y 3; effet moyen de X1 : a1 = (y2 + y4- y1 -y 3)/2
La réponse théorique au centre du domaine est : a0=(y1+y2+ y 3+ y4)/2 qui est la moyenne des
réponses
L'effet moyen de X1 est toujours la demi-variation de la réponse lorsque X1 passe du niveau -1

au niveau +1. Or, pour chacun des niveaux de X1, il y a 2 expériences (une pour chacun des
niveaux de X2). Nous devons alors envisager des réponses moyennes.
𝑦1+𝑦3
Quand X1 est au niveau -1, nous avons la réponse moyenne :
2
𝑦2+𝑦4
et quand X1 est au niveau +1, nous avons la réponse moyenne :
2
𝑦2+𝑦4 𝑦1+𝑦3
− −𝑦1+𝑦2−𝑦3+𝑦4
2 2
L'effet global a1 de X1 donne :a1 = = = 1,077
2 4
−𝑦1−𝑦2+𝑦3+𝑦4
L'effet moyen a2 de X2 se calcule de la même manière : a2 = = 3,882
4
Pour trouver la signification du coefficient constant a0, il suffit de donner la valeur 0 (unités
codées) aux niveaux des deux facteurs. Le point représentatif de l’expérience correspondante
est alors au centre du domaine d’étude (Figure 6) et la réponse en ce point a pour valeur y0
On calcule a0 ou "réponse théorique" pour X1 = 0 (au centre de son domaine de variation)

comme la moyenne des réponses observées aux niveaux -1 et +1.
𝑦3+𝑦4 𝑦1+𝑦2
+ 𝑦1+𝑦2+𝑦3+𝑦4
2 2
a0= = = 80,87
2 4
On peut calculer le coefficient a12 par une méthode analogue à celle qui a été utilisée pour les
coefficients a1 et a2. On trouve que le coefficient a est égal à :
𝑦4−𝑦3 𝑦2−𝑦1
− 𝑦1−𝑦2−3+𝑦4
2 2
a12 = = =1,018
2 4
IV.2. Interprétation des résultats des calculs et illustrations des effets
On connaît maintenant, les valeurs :
– du coefficient constant : a0= 80,87
– du coefficient du facteur 1 (vitesse) :a1 = 2,15

– du coefficient du facteur 2 (surcharge) : a2 = 7,76
– de l’interaction a12 entre la température et le taux d’oxygénation : a12= 1,018
On peut reporter ces valeurs dans la relation (8) du modèle postulé :
y = 80,87 + 1,077 X1+ 3,882 X2 + 1,018 X1X2 (9)

Les illustrations des effets principaux X1 et X2 ou de l’interaction X1X2 représentent mieux
l’influence des facteurs sur la réponse, elles peuvent être déterminer directement à partir du
modèle mathématique de la relation (9) aux différents niveaux des facteurs,
Pour le facteur X1 (Température) ; la variation de de la concentration cellulaire (y) en fonction

de la température (X1) est obtenue à partir du modèle mathématique postulé par remplacer le
X1 par ses valeurs centrées réduites (-1 et +1) tout en fixant le facteur X2 (Taux
d’oxygénation) au centre du domaine c’est à dire le remplacer par la valeur 0.
La représentation graphique (Figure 7) de la variation de la concentration cellulaire (y) en

fonction du taux d’oxygénation (X2) se fait de la même méthode.
Figure 7 : Analyse graphique de l’effet principal d’un facteur
Les résultats des illustrations montrent que la concentration cellulaire augmente fur et à mesure
avec le changement des niveaux du deux facteurs ; donc la température et le taux
d’oxygénations ont un effet synergique.
Le coefficient a12 mesure donc la variation de l’effet du facteur 1 quand le niveau du facteur 2
est modifié. On peut aussi montrer que le même coefficient mesure également la variation de
l’effet du facteur 2 quand le niveau du facteur 1 est, lui aussi, modifié.
La représentation graphique de la variation de de la concentration cellulaire (y) pour

l’interaction du deux facteurs est aussi obtenue à partir du modèle mathématique en déterminant
la variation de cette dernière en fonction de X1 au niveau -1 et +1 de X2 ; on obtient
pratiquement deux droites (Figure 8), de la même manière on peut ainsi tracer la variation de y
en fonction de X2 au niveau -1 et +1 de X1.
Figure 8 : Analyse graphique de l’effet des interactions
IV.3. Test de signification des effets
Le test de t-student est utilisé souvent dans la méthodologie des plans d’expérience pour tester
la significativité des facteurs importants sur la grandeur d’intérêt de notre étude, les plans
destinés au criblage des facteurs en vue d’une étude d’optimisation sont généralement les plans
fractionnaires, parmi ces plans on trouve le plan de Plackett et Burman qui permet d’étudier un
maximum de facteurs en un minimum d’expériences.
IV.4. Les plans fractionnaires 2k-p
Ces plans permettent d’étudier beaucoup de facteurs et de déterminer ceux qui sont influents.
L’analyse ne va souvent pas plus loin et atteint rarement la modélisation mathématique des
réponses.
Les plans factoriels fractionnaires possèdent des facteurs ayant chacun deux niveaux, un niveau
bas et un niveau haut. Mais, on ne réalise pas toutes les combinaisons de niveaux. En effet, le
nombre d’essais des plans factoriels complets augmente rapidement avec le nombre de facteurs.
Il n’est pas rare de rencontrer des études faisant intervenir 7 ou 8 facteurs. Il est bien sûr
déraisonnable de vouloir exécuter 27 = 128 ou 28 = 256 essais. On sélectionne une fraction des
essais d’un plan complet pour construire un plan fractionnaire. Cette sélection est basée sur des
considérations mathématiques qui seront mises en application grâce au calcul de Box.
Au lieu de réaliser un plan complet 24 de 16 essais, on peut n’exécuter que 8 essais, c’est-à-dire
la moitié des essais. Le plan fractionnaire correspondant est un plan 2 divisé par 2, soit un plan
2 4/ 2 ou 24–1
La signification des termes de la dénomination 24–1 est la suivante : le 2 indique que les facteurs
prennent chacun deux niveaux, le 4 signifie que l’on étudie 4 facteurs. Enfin, 4 – 1 = 3 signifie
que l’on utilise un plan analogue au plan factoriel complet 2 3 qui ne comprend que 8 essais. On
remarque également que cette manière de désigner un plan indique le nombre d’essais à
effectuer puisque l’on a 24–1 = 8.
L’interprétation des plans fractionnaires nécessite de connaître la théorie des aliases et
d’appliquer des hypothèses d’interprétation. La première des principales hypothèses
d’interprétation est la suivante :
Hypothèse – Les interactions d’ordre trois et toutes celles d’ordre plus élevé peuvent être
négligées.
La théorie des aliases est très utile pour comprendre et interpréter les résultats d’un plan
fractionnaire. Nous avons divisé l’étude de cette théorie en cinq parties :
1. Définition des contrastes.
2. Hypothèses d’interprétation.
3. Calcul de Box.
4. Relation d’équivalence.
5. Générateurs d’aliases.
À la suite de la théorie des aliases nous verrons deux aspects importants des plans fractionnaires
:
– la construction des plans fractionnaires,
– le nombre maximal de facteurs étudiés sur un plan de base donné.
Il est facile de vérifier avec quelle interaction est aliasé un facteur principal :
On pose A = A I = A (ABC)= (A A) B C= I B C = B C
De même : B = B I = B (ABC) = (B B) A C = I A C = A C et on peut aussi montrer que : C =
AB
Constatons que l'égalité I =ABC nous a fourni tous les aliases, on dit que I = ABC est un
générateur d'aliase.
Dans cet exemple, on dit que le plan fractionnaire est de résolution III. La résolution est la
longueur du générateur d’aliases.
Autrement dit les effets obtenus avec le plan fractionnaire ne sont pas des effets purs.
Le plan fractionnaire 23-1 obtenu est comme suit :
Tableau 3 : matrice expérimentale d’un plan factoriel fractionnaire 23-1
Essai I A B C YEXP
ABC CB CA AB
1 +1 -1 -1 +1 y1
2 +1 +1 -1 -1 y2
3 +1 -1 +1 -1 y3
4 +1 +1 -1 +1 y4
Effets h0 h1 h2 h3
Le calculer les effets du facteur B et de l'interaction AC, on obtient par la méthode habituelle
de calcul des coefficients.
B = (1/8) . (-Y5 – Y2 + Y3 + Y6 – Y1 – Y7 + Y8 + Y4) et
AC = (1/8). (+ Y5 – Y2 + Y3 – Y6 – Y1 + Y7 – Y8 + Y4)
La somme de ces deux valeurs est égale à : B + AC = (1/4). (-Y2 + Y3 - Y1 + Y4)
On reconnaît bien l'expression du contraste h2 du plan fractionnaire.
En conclusion on en déduit la relation d'équivalence générale entre les colonnes et les
contrastes, valable pour tous les facteurs et toutes les interactions. B = AC ⇒ hcolonne B=AC = B
+ AC
Exemple
Le plan de base 23 peut avoir un facteur supplémentaire, on le notera 24–1 : quatre facteurs
étudiés, deux niveaux par facteur et un facteur supplémentaire.
Le plan de base 23 peut avoir deux facteurs supplémentaires, on le notera 25–2 : cinq facteurs
étudiés, deux niveaux par facteur et deux facteurs supplémentaires.
Un plan fractionnaire à deux niveaux avec lequel on étudie k facteurs dont p supplémentaires
se note 2k–p.
Si on souhaite étudier 6 facteurs sans faire plus de 16 expériences, on peut envisager la
réalisation d’un plan 26-2, (¼ d’un plan complet 26) deux facteurs supplémentaires introduisent
donc un groupe de générateurs d’aliases (GGA), Cette construction nécessite alors le choix de
deux générateurs d’aliases. ABCE=I et BCDF=I
A partir du plan 24, les contrastes des facteurs E et F sont développés en utilisant les relations
E = ABC et F=BCD.
Cas général du plan 2k-p
• 2k-1 = moitié du plan complet (2k/2).
• 2k-2 = quart du plan complet (2k/4).
• 2k-3 = huitième du plan complet (2k/8).
• 2k-p = fraction 1/2p
⇒ Hypothèse 1 : les interactions d'ordre élevé, supérieur à 3 sont considérées comme
négligeable.
⇒ Hypothèse 2 : si un contraste est négligeable, tous les termes aliasés sont eux-mêmes
négligeables ; une compensation des termes est très improbable.
⇒ Hypothèse 3 : si deux effets de facteurs sont négligeables, on supposera que leur interaction
l'est aussi.
⇒ Hypothèse 4 : une interaction comportant deux facteurs dont l'un a un effet négligeable, est
généralement une interaction négligeable.
Il faut néanmoins être attentif à toute anomalie dans les résultats même si on estime que ces
hypothèses sont vérifiées dans 95 % des cas.
IV.4.1. Exemple d’application : étude du réglage d’un spectrofluorimètre. (J. GOUPY, 2007)
Un technicien se propose d’améliorer le réglage de la sensibilité d’un

spectrofluorimètre. Une discussion approfondie avec des spécialistes lui a montré qu’il fallait
envisager l’examen de sept facteurs pouvant être influents sur la sensibilité.
Facteur 1 : largeur de la fente d’excitation.
Facteur 2 : largeur de la fente d’émission.
Facteur 3 : température de l’échantillon.
Facteur 4 : vitesse de balayage.
Facteur 5 : gain de l’appareil.
Facteur 6 : tension du photomultiplicateur.

Facteur 7 : amortissement de la plume d’enregistrement.
Il désire passer le moins de temps possible à la mise au point de ce réglage, il décide donc
d’employer un plan d’expériences fractionnaire construit à partir d’un plan de base 23.
Les quatre interactions y sont utilisées pour étudier les facteurs supplémentaires. Les facteurs
supplémentaires sont aliasés ainsi :
4=123, 5=12, 6=23, 7=13
Calcul des contrastes
Les quatre générateurs d’aliases indépendants sont :
I=1234=125=236=137
Les générateurs dépendants se calculent à partir des générateurs indépendants en les multipliant
2 à 2, 3 à 3 et 4 à 4. Le nombre de générateurs dépendants obtenus pour la multiplication 2 à 2
est donné par le nombre de combinaisons de 4 objets 2 à 2, soit.
Multiplication 2 à 2 :
1234·125 =345
1234·236=146
1234·137=247
125·236=1356
125·137=2357
236·137=1267
1234·125·236=2456
1234·125·137=1457
125·236·137=567
1234·236·137=3467
1234·125·236·137=1234567
Le plan complet 27 contient 128 effets et interactions, le plan

27–4 = 23 ne permettra de calculer que huit contrastes. Il y aura donc seize termes dans chaque
contraste, termes que l’on va retrouver grâce au groupe des générateurs d’aliases (seize termes)
:
I = 1234 = 125 = 236 = 137 = 345 = 146 = 247 = 1356 = 2357 = 1267 = 2456 = 1457 = 567 =
3467 = 1234567
Le calcul complet est présenté ici pour le facteur 1. On multiplie chaque terme du GGA par 1
et l’on additionne les seize termes trouvés pour avoir le contraste 1 :
h1 = 1 + 234 + 25 + 1236 + 37 + 1345 + 46 + 1247 + 356 + 12357 + 267 + 12456 + 457 + 1567
+ 13467 + 234567
Si l’on néglige les interactions d’ordre supérieur à deux, on peut écrire :
h1 = 1 + 25 + 37 + 46 + ...
Le calcul est le même pour les autres contrastes :
h2 = 2 + 15 + 36 + 47 + ...
h3 = 3 + 17 + 26 + 45 + ...
h4 = 4 + 16 + 27 + 35 + ...
h5 = 5 + 12 + 34 + 67 + ...
h6 = 6 + 14 + 23 + 57 + ...
h7 = 7 + 13 + 24 + 56 + ...
Après avoir calculé les contrastes, le technicien établit le plan d’expériences, réalise les essais
et rassemble les résultats dans une matrice de calcul des effets qui, dans ce cas, est identique à
la matrice d’expériences puisque toutes les interactions ont été utilisées :
IV.4.2. Plans de Plackett et Burman
Les plans de Plackett et Burman sont des plans factoriels fractionnaires simplifiés, utilisés pour
le criblage (Screening) avec un nombre réduit d’essais, ces plans ont été conçus pour étudier
seulement l’effet des facteurs principaux, en se basant sur un modèle additif sans interactions :
y = a0 + ∑ ai Xi (10)
Les plans factoriels fractionnaires et Plackett Burman comportent également un nombre

d’essais multiple de 4. Cela provient du fait que tous ces plans à deux niveaux sont construits
sur des matrices d’Hadamard qui comportent un nombre de lignes (ou de colonnes) multiple de
4. Ces matrices d’Hadamard possèdent l’importante propriété d’orthogonalité, c’est-à-dire que
le produit scalaire de deux colonnes quelconques est égal à 0.
La construction de ces plans est simple, ils sont développés par simple permutation circulaire
pour avoir une matrice (n-1) × (n-1) et en complétant cette matrice par une ligne de signes (−),
cette construction s’effectue en trois étapes :
1ere étape : repérer la ligne génératrice,
2eme étape : Transformation de la ligne génératrice en colonne
3eme étape : La permutation circulaire à droite, (N = 12)
4eme étape: Compléter la matrice par une ligne de signe (-)

Tableau 4 : La matrice expérimentale d’un plan Plackett-Burman pour 11 facteur
Il existe d’autre de permutations :
La permutation circulaire à gauche, par exemple (N = 12)
Cas particulier: dans le cas où, on désire étudier moins de 11 facteurs (ex: 7 facteurs) par le
même plan (N= 12), il suffit d’enlever les 4 dernières colonnes, cet arrangement orthogonal*
permet d’étudier les effets moyens de 7 facteurs, à partir de 12 expériences au lieu de 128
essais.
Orthogonalité est un critère garantit une meilleure précision possible sur les coefficients du
modèle)
Tableau 5 : La matrice expérimentale d’un plan Plackett-Burman pour 7 facteur

 Calcul des Coefficients du modèle mathématique y = a0 + ∑ ai Xi ;

La méthode utilisée pour le calcul des coefficients du plan factoriel complet est la même utilisée
pour le plan de Plackett et Burman, par exemple pour calculer la moyenne a0, on fait la somme
des réponses mesurées par le nombre des essais on obtient : a0 = (y1+y2+ y 3+ y4 + y5+y6+ y7+
y8+ y9+y10+ y 11+ y12) /12 ; et ainsi de suite pour les autres coefficients.
L’application des notions de statistique (test de t-student et Analyse de Variance permettent de

déterminer les facteurs qui ont un effet significatif sur la réponse (activité amylasique).
En effet, dès que le nombre de facteurs augmente, les calculs se compliquent et l’utilisation
d’un logiciel facilite considérablement la tâche de l’expérimentateur ; le logiciel MINITAB
version 17 est utilisé durant nos exemples d’application.
PARTIE II
Plans d’optimisation (Surface de réponse)

Response Surface Methodology (RSM)
Objectif : Études quantitatives des réponses : modélisation prévisionnelle du phénomène

étudié
Modéliser : consiste à utiliser des données obtenues expérimentalement pour prévoir une
information quantitative inconnue Y à partir de mesures de X par un modèle mathématique
qui relié la variation de Y en fonction de X.
Soit : une droite, si Y varie linéairement en fonction de X (1er degré)
Soit : un polynôme de degré convenable.
Figure 11 : Modèle linéaire versus polynomiale
I. Principe de base : Méthode des moindres carrées
On réalise cinq dilutions d’un produit quelconque dans un solvant et on mesure la concentration
à chaque fois, on obtient le tableau des résultats suivant :
Facteur Réponse
0 0
1 128
2 225
3 315
4 370
5 395
On veut trouver une relation qui exprime Y en fonction de X : on testera les deux modèles : 1er
et second degré.
Premier degré : Y = a0+a1 X (12)
On applique la méthode des moindres carrées pour l’estimation des coefficients du modèle,
sachant que : a = (XtX)-1.Xt. y (13)
Application numérique
Le modèle linéaire du premier degré s’écrit alors : Y1=39.476+79.743 X
Deuxième degré : Y2 = a0+a1 X+a2 X2 (14)
On fait les mêmes calculs que précédemment sauf que la matrice X devient:
Le modèle du second degré s’écrit :
Y2= -1.179+140.725 X-12.196 X2 (15)
Plus la valeur du coefficient de détermination R² est proche de 1 et plus les réponses calculées
par le modèle sont proches de celles mesurées lors de l’expérimentation.
À partir de la représentation graphique (Figure 11 et 12) des deux modèles comparés aux valeurs
expérimentales, l’étudiant peut vérifier la validité de chaque modèle en calculant le coefficient
de détermination ajusté pour les deux cas.
Figure 12 : Modèle linéaire versus polynomiale
II. Response Surface Methodology RSM: (Méthode de surface de réponse)
Les plans d’expériences de criblage étudiés précédemment ont été destinés à l’estimation des
effets des facteurs. Cependant, du point de vue industriel, tous les problèmes rencontrés ne
consistent pas uniquement à estimer puis à comparer les effets des facteurs.
Dans cette partie on étudie la méthodologie des plans d’expériences pour surfaces de réponse
qui consiste à trouver, s’il existe, un optimum dans un domaine d’étude dit domaine
expérimental. (Figure 13)
Cette technique vise à déterminer d’une façon quantitative les variations de la réponse vis-à-
vis des facteurs d’influence significative, identifiés si besoin lors d’une première étude de
screening. (J. Goupy and Box)
Donc cette méthode permet la recherche des niveaux optimaux des facteurs pour atteindre un
niveau de réponse souhaité.
Les étapes à suivre dans le cas d’une étude de surface de réponse sont les mêmes que celles
réalisées lors d’une étude de criblage.
Le modèle sous-jacent à la construction de ce type de plan est de forme polynomiale du second

degré. Il est aujourd’hui couramment admis qu’une forme quadratique définit correctement les
variations de la réponse.
Y= a0 + ∑aiXi +∑ aijXiXj + ∑ aiiXi 2 (16)

On aura à estimer des termes appartenant à 4 familles:
a0 : la constante,
ai: les coefficients associés aux facteurs
aii: les coefficients associés aux termes quadratiques (du deuxième degré)
aij: les coefficients associés aux interactions d’ordre 1
Le nombre d’inconnues p à déterminer dans un modèle polynomial du second ordre se calcule,

pour un nombre de facteurs noté k, à partir de la relation:
(17)
Après l’étape d’ajustement du modèle on représente graphiquement celui-ci à l’aide de

graphiques de type « surface de réponse » et courbes isoréponses, qui permettent de visualiser
le comportement de la réponse en fonction des facteurs, ces graphiques procurent une aide
appréciable dans l’exploitation du modèle en vue d’une optimisation du système expérimental.
Figure 13 : Surface de réponse d’un modèle linéaire versus polynomiale
La construction revient à positionner au sein du domaine expérimental où à l’extérieur de ce

dernier, des combinaisons particulières des modalités des facteurs, de manière à minimiser et
uniformiser les incertitudes sur les prédictions de la réponse à partir du modèle.
 Les plans composites centrés de G.E.P. Box et K.B. Wilson: la construction des plans
composites centrés consiste à rajouter des points en étoile à partir d’un plan factoriel
complet. L’éloignement des points en étoile par rapport au centre du domaine ainsi que
le nombre de répétitions au point central obéit à certains critères algébriques.
 Les plans de Box et Behnken : les matrices d’expériences associées à ces plans ne font
appel qu’à trois niveaux par facteur. Ceci est intéressant lorsque le changement de
niveau des facteurs est long et délicat.
II.1. Les plans composites centrés
Les plans PCC permettent une modélisation du second degré.
La démarche séquentielle constituée de trois parties : un plan complet 2k, d’une série de
points centraux N0 et d’un ensemble de points en étoile situés à une distance α du centre du
domaine.
Figure 14 : Domaine d’étude pour un CCD
A/ Plan Factoriel complet
Le plan factoriel combine des facteurs à 2 niveaux notés +1 et -1: Nf = 2k

B/ Plan en étoile
Le plan en étoile représente deux essais par facteur. Chaque facteur prend au total 5 niveaux
différents dans le plan, Le nombre d’essais du plan en étoile : NE = 2×k
C/ Points au centre du domaine
Les points au centre du domaine expérimental (N0) sont répétés plusieurs fois.
Donc le nombre total des expériences pour un plan CCD est donné par: N = Nf + NE + N0
II.3. Critère d’optimalité
II.3.1. L’isovariance par rotation
La valeur de α est choisie pour que la variance de la réponse prévue par le modèle ne dépend
que de la distance du centre du domaine, où tous les points situés sur un même cercle ont même
variance. De manière équivalente, il y a isovariance par rotation (Figure 15) si la fonction de
variance reste constante en tout point du domaine expérimental distant de r0 (r0 constant) avec
le centre du domaine.
L’isovariance par rotation conduit à des erreurs de prévision identiques à une même distance
du centre du domaine.
La condition d’isovariance par rotation est satisfaite pour une valeur de la distance des points
en étoile au point central définie comme étant :
4
𝛼 = √2𝑘 (18)
Où k est le nombre de facteurs.
4
Donc il faut placer les points en étoiles à une distance : 𝛼 = √2𝑘
Exemple : pour le cas d’un CCD de 3 facteurs : α = 1.68 du centre

Figure 15 : Critère d’iso-variance par rotation
II.4. Précision uniforme
La fonction de variance est constante à l’intérieur d’une sphère ayant le même centre que le
domaine expérimental.
Tous les points situés sur un même cercle et à l’intérieur ont même variance. Donc elle ne peut
être obtenue que si l’iso-variance par rotation est déjà assurée.
Figure 16 : Critère de précision uniforme
Les auteurs démontrent que la condition de précision uniforme (Figure 16) est satisfaite pour
un nombre de répétitions N0 au centre du domaine peut être définie par la relation (19):
(19)
Avec k le nombre de facteurs pris en compte est donné par l’équation (20) :
(20)
Y= a0 + ∑aiXi +∑ aijXiXj + ∑ aiiXi 2 (21)

On aura à estimer des termes appartenant à 4 familles:
a0 : la constante,
ai: les coefficients associés aux facteurs
aii: les coefficients associés aux termes quadratiques (du deuxième degré)
aij: les coefficients associés aux interactions d’ordre 1
Le nombre d’inconnues p à déterminer dans un modèle polynomial du second ordre se calcule,

pour un nombre de facteurs noté k, à partir de la relation (22) :
(22)
Par exemple dans le cas de 3 facteurs, il faut estimer 10 coefficients :
Y= a0 + a1X1 + a2X2 + a3X3 + a12X1X2 + a13X1X3 + a23X2X3 + a11X1 2+ a22X2 2 + a33X3 2
Le plan d’expériences devra donc être constitué d’au minimum 10 expériences
Tableau 11 : La matrice expérimentale d’un plan CCD avec domaine d’étude correspondant
Avec α = 1.68
II.5. Analyse globale des résultats d’essais
Après l’étape de l’expérimentation, L’analyse globale des résultats d’essais permet notamment
:
 D’apprécier la variation des réponses observées au cours du plan d’expériences ;

s’assurer d’un écart significatif entre les valeurs minimales et maximales de la réponse
observée.
 De détecter des valeurs suspectes et procéder à une reproduction d’expériences le cas
échéant.
 De repérer une combinaison des modalités des facteurs dont les résultats peuvent se
révéler industriellement intéressants.
II.6. Calcul des coefficients
On applique la méthode des moindres carrées pour l’estimation des coefficients du modèle,
sachant que : a = (XtX)-1.Xt. y
II.7. Analyse statistique du modèle
La mise en œuvre de tests statistiques doit permettre de porter un jugement sur les résultats
obtenus à savoir :
• Un modèle décrivant la variation de la réponse dans le domaine expérimental.
• Des estimations des coefficients associés aux différents monômes du modèle.
• Des résidus traduisant les écarts entre les valeurs mesurées et les valeurs calculées.
Test de t-student:
Le t-student permet de tester individuellement l’effet de chaque facteur sur la réponse, par la
relation suivante : ti = ai/σi
Avec σi l’écart-type, σi = s/√n
Tableau 12 : Analyse de Variance ANOVA

(23)
Plus la valeur du coefficient de régression est proche de 1 et plus la qualité descriptive du

modèle est satisfaisante.
II.8. Analyse graphique du modèle
Différents graphiques sont disponibles pour restituer de manière interprétable l’équation du

modèle empirique. Dans le contexte des plans d’expériences pour l’étude des surfaces de
réponse, cette restitution s’effectue essentiellement sous deux formes de surfaces de
réponse et de courbes iso-réponse.
II.9. Analyse globale des résultats d’essais
II.9.1. Surfaces de réponse
La surface de réponse (Figure17), comme celle présentée en figure ci-dessous, matérialise

la surface de régression à partir d’un graphique dans un espace à trois dimensions. Le plan
horizontal de la figure matérialise le domaine de variation de 2 facteurs ; l’axe vertical
matérialise la variation de la réponse à partir du modèle.
Figure 17 : Graphique de surface de réponse

II.9.2. Courbes iso-réponses
Les courbes iso-réponses, (Figure18) constituent une projection de la surface de réponse

dans le plan horizontal. Elles s’interprètent comme les courbes de niveaux, dessinées sur
une carte topographique. Cette représentation ne fait intervenir que 2 facteurs à la fois, les
autres devant être fixés à un niveau constant.
Figure 18 : Graphique de courbe iso-réponse
III. Plan Box-Behnken
L’idée de ces auteurs est de combiner des plans d’expérience en blocs pour facteurs qualitatifs
avec des plans factoriels classiques à deux niveaux (2k, 0), cette technique est appelée souvent
(BIBD=Balanced Incomplete Blocs Design) plan en blocs incomplets équilibré.
Pour 3 facteurs par exemple le plan se construit sur un cube (milieu des 12 arêtes du cube + 3
points au centre du domaine d’étude) :
(± 1, ± 1, 0) ⇒ 2 facteurs décrivent un carré (4 essais d’un plan 22) tandis que coordonnées du
3ème facteur = 0.
Il s’agit en fait ici d’un plan en blocs incomplet équilibré de type
BIBD (k=3, b=3, dont le b désigné le nombre de blocs et le k le nombre de facteurs). En le

combinant avec un plan factoriel de type Factoriel Design (22, 0) on obtient la matrice du plan
d’expérience suivant (Figure 19) :
Figure 19 : Représentation des plans Box-Behnken
Afin de simplifier l’écriture d’une telle matrice il est classique de la désigner par :
(24)
Pour m = 4 facteurs la construction découle d’un BIBD (4, 6) et la matrice du plan est
donnée par :
(25)
Pour m = 5 facteurs la construction découle d’un BIBD(5, 10, 2, 4, 1) et la matrice du plan

est donnée par :
(26)
IV. Randomization, Blocking
La randomisation (Random distribution ou randomization), c'est-à-dire la répartition "au

hasard" des différentes expérimentations au sein des différentes parcelles d'une expérience en
champ ou, d'une manière plus générale, au sein des différentes unités expérimentales, permet
d'obtenir des estimations non biaisées de la variabilité résiduelle et de l'influence des
traitements.
Les facteurs nuisibles qui peuvent être classés peuvent être éliminés en utilisant un design
bloqué. Par exemple, une expérience réalisée pendant plusieurs jours peut avoir de fortes
variations de température et d'humidité, ou des données peuvent être collectées dans différentes
usines ou par différents techniciens. Les observations recueillies dans les mêmes conditions
expérimentales sont dans le même bloc.
V. Les plans de Tagushi
Un plan de Taguchi est un plan d'expériences qui vous permet de choisir un produit ou un
procédé qui fonctionne de manière plus cohérente dans son environnement d'exploitation. Les
plans de Taguchi partent du principe que les facteurs à l'origine de la variabilité ne peuvent pas
tous être contrôlés. Ces facteurs incontrôlables sont appelés facteurs de bruit. 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 déterminez 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. Un procédé conçu dans cette optique produira des résultats
plus cohérents. Un produit conçu dans cette optique aura des performances plus cohérentes,
quel que soit l'environnement dans lequel il sera utilisé.
Un exemple classique de plans de Taguchi est fourni par la société japonaise Ina Tile dans les
années 1950. La société produisait de trop nombreuses tuiles qui ne respectaient pas les
dimensions spécifiées. Une équipe en charge de la qualité a constaté que la température à
l'intérieur du four utilisé pour cuire les tuiles variait, ce qui rendait la dimension des tuiles
hétérogène. Elle n'a pas pu éliminer la variation de la température car la construction d'un
nouveau four était trop onéreuse. Par conséquent, la température était un facteur de bruit. A
l'aide de plans d'expériences de Taguchi, l'équipe a constaté que l'augmentation de la teneur en
chaux de l'argile, un facteur de contrôle, rendait les tuiles plus résistantes, ou robustes, face à la
variation de la température dans le four, ce qui a permis de fabriquer des tuiles plus uniformes.
Les plans de Taguchi utilisent des répertoires orthogonaux, qui évaluent les effets des facteurs
sur la moyenne et sur la variation de la réponse. Avec un répertoire orthogonal, le plan est
équilibré de telle sorte que les niveaux de facteurs sont également pondérés. Ainsi, chaque
facteur peut être évalué indépendamment de tous les autres et l'effet d'un facteur n'influence pas
l'estimation d'un autre facteur. Cela peut réduire la durée et le coût de l'expérience en cas
d'utilisation de plans fractionnés.
Les plans de Taguchi orthogonaux se concentrent sur les effets principaux. Certains des
répertoires offerts dans le catalogue de Minitab permettent d'étudier quelques interactions
sélectionnées.
Vous pouvez également ajouter un facteur de signal au plan de Taguchi, afin de créer une
expérience à réponse dynamique. Une expérience à réponse dynamique vise à améliorer la
relation fonctionnelle entre un signal et une réponse de sortie.
Quel plan d’expériences choisir ? Comment prendre en compte telle ou telle interaction ? ... etc.
Elle propose un recueil de tables et des outils d’aide au choix de la table la plus adaptée.
Dénomination des tables
Chaque table peut être identifiée par la forme Lg (pf) avec
- g : nombre de lignes
- p : nombre de modalités (niveau des facteurs) pour l’ensemble des facteurs
- f : nombre de colonnes (nombre de facteurs + interactions)
V.1. Exemple de plan de Taguchi (Minitab support)
Le tableau suivant affiche le plan de Taguchi L8 (27) (répertoire orthogonal). L8 signifie

8 essais. 27 signifie 7 facteurs ayant chacun 2 niveaux. Si le plan factoriel complet était utilisé,
il aurait 27 = 128 essais. Le répertoire L8 (27) requiert uniquement 8 essais, soit uniquement une
fraction du plan factoriel complet. Ce répertoire est orthogonal ; les niveaux des facteurs sont
également pondérés dans la totalité du plan. Les colonnes du tableau représentent les facteurs
de contrôle, ses lignes représentent les essais (combinaison de niveaux de facteurs) et chaque
cellule du tableau représente le niveau de facteur pour cet essai.
Tableau 13 : Table de plan Taguchi
V.2. Plan de Taguchi L8 (27)
Dans l'exemple ci-dessus, les niveaux 1 et 2 apparaissent 4 fois dans chaque facteur du
répertoire. Si vous comparez les niveaux du facteur A aux niveaux du facteur B, vous constatez
que B1 et B2 se produisent 2 fois chacun conjointement avec A1 et 2 fois chacun conjointement
avec A2. Chaque paire de facteurs est équilibrée de cette manière, ce qui permet l'évaluation
indépendante de chaque facteur.
VI. Les plans de mélanges
Les plans de mélange sont des plans d’expériences que l’on utilise lorsque l’on étudie des
produits composés de plusieurs constituants (Goupy et al, 2007) . L’objectif est de trouver la
loi qui régit une ou plusieurs réponses en fonction de la composition du mélange.
Les facteurs sont les concentrations x de chaque constituant i du mélange. Les réponses y sont
exprimées en fonction de ces concentrations. Il faut tenir compte de la contrainte suivante : la
somme des concentrations des constituants d’un mélange est égale à cent pour cent. Il existe
donc la relation suivante entre les xi
∑xi = 1
C’est la relation fondamentale des mélanges. Le modèle mathématique exprimant la valeur
d’une réponse en fonction des concentrations x ne peut pas s’écrire selon une formule analogue
aux plans factoriels ou aux plans composites, car il faut tenir compte de la relation (Goupy et
al, 2007)). On montre facilement que cette relation impose dans le modèle mathématique :
— la disparition du terme constant ;

— la disparition des termes carrés.
Il ne reste donc, dans le modèle mathématique, que les termes du premier degré et les termes
rectangles
VI.1. Représentation géométrique des mélanges
On utilise un triangle équilatéral pour représenter les mélanges à trois composants. Les produits
purs sont aux sommets du triangle équilatéral. Les mélanges binaires sont représentés par les
côtés du triangle. Par exemple, le côté gauche du triangle ci-dessous représente les mélanges
composés uniquement des produits A et B. Un point de la surface intérieure du triangle
équilatéral représente un mélange tertiaire. Les compositions de chaque produit se lisent sur les
côtés du triangle.
Les propriétés géométriques (Figure 20) du triangle équilatéral assurent que la contrainte
fondamentale des mélanges est bien respectée.
La représentation des mélanges à quatre constituants est un tétraèdre régulier. S'il y a plus de
quatre constituants, il faut faire appel à des hyperpolyèdres réguliers.
Figure 20 : Représentation de mélanges à 2 et 3 constituants
VI.2. Emplacement des points expérimentaux
Il existe plusieurs manières de disposer les points expérimentaux dans le domaine d'étude
(Figure 21): Plans de mélanges en réseaux (Simplex lattice designs), plans de mélanges centrés
(Simplex-Centroid Designs), plans de mélanges centrés augmentés (Augmented Simplex-
Centroid Designs).
En réseaux Centrés Centrés augmentés
Figure 21 : Emplacement des points expérimentaux
On est souvent amené à utiliser des modèles de degré supérieur, trois et même parfois
quatre si les surfaces de réponses sont compliquées. Plus le degré du modèle est élevé, plus il
faut réaliser de points d'expériences pour pouvoir déterminer tous les coefficients. Ces
coefficients sont calculés à partir de la relation de régression : a = (XtX)-1.Xt. y
Références
Tinsson, W., 2010, Plans d’expérience: constructions et analyses statistiques, Mathématiques

et Applications 67
MINITAB user guide Statistical Inference and t-Tests
Alain LAMURE, méthodologie des plans d’expériences
Jiang, W., Joens, J.A., Dionysiou, D., O’Shea, K.E., 2013. Optimization of
photocatalytic performance of TiO2 coated glass microspheres using response surface
methodology and the application for degradation of dimethyl phthalate. J. Photochem.
Photobiol.A.262,7–13.
Goupy, Jacques, and Lee Creighton. Introduction to design of experiments with JMP
examples. SAS publishing, 2007.
Outili, N, planification/Validation du modèle mathématique, 2010
MYERS, Raymond H., MONTGOMERY, Douglas C., et ANDERSON-COOK, Christine
M. Response surface methodology: process and product optimization using designed
experiments. John Wiley & Sons, 2016.
Thamizhmanii, S., S. Saparudin, and S. Hasan. "Analyses of surface roughness by turning
process using Taguchi method." Journal of achievements in materials and manufacturing
engineering 20.1-2 (2007): 503-506.
ANNEXES
ANNEXE 1
Table de la loi Student

ANNEXE 2
Table de Fisher
ANNEXE 3
 Cliquez sur Stat du menu principal. Un menu déroulant apparaît.

 Cliquez sur DOE-Design Of Experiments- (Plan d'expériences). Un nouveau menu apparaît
dans lequel il y a quatre choix :
 Cliquez sur la rubrique Plan factoriel.

 Cliquez sur Créer un plan factoriel.
Un ensemble de plans de 1er ordre apparait dans cette rubrique, on choisit pour notre cas le plan
de Plackett Burman
Cliquez sur le bouton OK.
 Cliquez sur le bouton Facteurs, on obtient une fenêtre comportant les 11 facteurs avec
leur nom, leur type, et leurs niveaux.
 Cliquez sur le bouton Options, pour cocher la case de la randomisation des essais ou
non. Le choix de l’option randomisation a pour but de réduire l’influence des facteurs
non contrôlables.
 Cliquez sur le bouton Résultats, vous obtenez la fenêtre dans laquelle vous avez le choix
des sorties :
 Cliquez sur le bouton OK, Les informations demandées sont récapitulées dans les deux
fenêtres "Feuille de travail" (worksheet) et "Session ". Feuille de travail
La feuille de travail se remplit alors de plusieurs colonnes :
1. Colonne C1 Ordre standard : C’est la présentation classique des plans d'expériences selon
Yates.
2. Colonne C2 Ordre des essais : C’est l'ordre dans lequel les essais doivent être effectués. Ici,
comme on n'a pas coché la case Randomiser les essais, les essais se présentent de la même
manière que dans l'ordre de plan factoriel complet (dite Yates).
3. Colonne C3 : Point au centre.
4. Colonne C4 Blocs : C'est le bloc auquel appartient l'essai. Ici, il n'y a pas de blocking et les
essais sont tous dans le même bloc.
Les colonnes, C5, C6 et C7 représentent la matrice expérimentale des effets principaux.
Dans la colonne C8, nous entrons les valeurs des réponses obtenues expérimentalement.
Lorsque les essais sont réalisés et que l'on possède toutes les réponses, on peut procéder à
l'analyse mathématique ou statistique des résultats.
Il faut d'abord entrer les réponses dans une nouvelle colonne de la feuille de travail
La feuille de travail étant prête, vous
 Cliquez sur Stat Du menu principal, vous obtenez un menu déroulant dans lequel vous
choisissez Analyser un plan factoriel. La fenêtre suivante apparaît.
Dans la fenêtre Analyser un plan factoriel vous devez choisir la réponse à analyser.
 Vous devez aussi choisir, dans cette même fenêtre, les caractéristiques de l'analyse
(modèle, covariable), les graphiques de sortie, l'endroit où seront stockés les résultats.
Le plan étant très simple nous n'utiliserons que les boutons Termes, Résultats et
Stockage.
 Termes
Permet de choisir le modèle mathématique. Ici nous choisissons un modèle polynomial avec
une seule interaction.
 Cliquez sur le bouton OK quand vous avez défini le modèle mathématique. Cette fenêtre
disparaît.
Nous désirons connaître les coefficients. Nous aurons en prime l'analyse de la variance et la
valeur double des coefficients que Minitab appelle les effets conservant ainsi la définition
historique de ceux-ci.
 Cliquez sur le bouton OK quand vous avez terminé vos choix. Cette fenêtre disparaît.
 Stockage
Cliquez sur le bouton OK.

Pendant toutes ces opérations la Figure précédente est restée sur le fond de l'écran. Maintenant
pour obtenir l'analyse il vous reste à :
 Cliquer sur le bouton OK. Les résultats s'affichent dans la fenêtre de session et dans la
feuille de travail
On peut illustrer ces résultats numériques par le graphique des effets.
 Cliquer sur le bouton Stat du menu principal puis choisissez DOE (plan d'expériences),
Plan factoriel et Diagrammes factoriels (Factorial plots). Vous obtenez une nouvelle
fenêtre dans laquelle vous pouvez choisir le graphique des effets, le graphique des
interactions.
 Cochez Graphique des effets principaux dans la fenêtre.

 Cliquer sur le bouton Configurationde la fenêtre. Vous obtenez une fenêtre vous
demandant la réponse et les facteurs que vous voulez illustrer.
Pour mettre un titre au graphique, cliquez sur le bouton Optionset remplissez la fenêtre qui
s'ouvre.
 Cliquer sur le bouton OK de la fenêtre. Vous revenez à la fenêtre précédente.
 Cliquer sur le bouton OK de cette fenêtre. Vous obtenez une fenêtre où se trouvent les
graphiques demandés. Par un processus analogue, on obtient le graphique des
interactions.
ANNEXE 4
Construction de Plan Centré Composite-Central Composite design-(CCD)

- Cliquez sur Stat du menu principal. DOE (Plan d'expériences).
-Cliquez sur DOE (Plan d'expériences). Un menu déroulant apparaît dans lequel figure
Surface de réponse.
- Cliquez sur la rubrique Surface de réponse. Apparaît un nouveau menu qui vous permet de
créer un plan pour surface de réponse.
Cochez Central Composite dans la fenêtre Créer un plan de surface de réponse.
Analyse du Plan Centré Composite

Inscrivez les réponses dans la feuille de travail et réalisez les calculs :
Cliquez sur Stat du menu principal et choisissez DOE (Plan d'expériences)/ Surface de
réponse/Analyser un plan de surface de réponse.
Surfaces de réponses et courbes d’isoréponses (contours)

Pour tracer des graphiques, on a besoin de fixer un facteur, car on ne peut générer que des
surfaces de réponses et des contours à deux facteurs.
-Cliquez sur Stat du menu principal et choisissez DOE (Plan d'expériences)/ Surface de
réponse/Graphiques de contour/Diagrammes de surface. Vous obtenez la fenêtre
-Cliquez sur le bouton Configuration pour obtenir la fenêtre de définition des graphiques,
puis choisissez générez
-Cliquez sur le bouton Setup, La fenêtre Graphiques de contour (courbe iso-

réponses)/Diagrammes de surface de réponse apparaît. Vous indiquez que tous les facteurs
sont fixés au niveau 0.
Optimiser la réponse par (Response optimizer) :
Pour accéder aux valeurs optimales des variables qui permettent de maximiser où minimiser
la réponse, Cliquez sur (Stat / DOE / Surface de réponse/ (Response optimizer) optimiseur de
réponse).
-Sélectionnez la réponse puis Cliquez sur le bouton Setup pour obtenir la fenêtre de définition
des valeurs soit pour maximiser, minimiser où définir directement la réponse désirée.

Cours Doe

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours Doe

Transféré par

Droits d'auteur :

Formats disponibles

République Algérienne Démocratique et populaire

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Ecole Nationale Supérieure de Biotechnologie

-Taoufik KHAZNADAR- Constantine (Algérie)

Dr. Mohammed BERKANI

Connaitre la démarche d’une planification expérimentale

Identifier les conditions de mise en œuvre des plans d‘expériences

Décrire le problème à résoudre et l'objectif à atteindre

Définir les caractéristiques du plan d‘expériences et le construire

Planifier et réaliser les essais

Exploiter les résultats

Calculs statistiques et optimisation,

Interprétation et validation des résultats

CRIBLAGE DES FACTEURS

I. Cycles et stratégies expérimentales

I.1. Stratégie d’expérimentation

L’observation d’un système ou d’un processus en cours de fonctionnement constitue une

Figure 1 : Le modèle général d’un procédé ou un système

Le processus d’acquisition des connaissances est la première étape de l’expérimentation qui

Figure 2 : Le processus d’acquisition des connaissances

I.2. La démarche de planification expérimentale

Le grand nombre des paramètres (facteurs) influençant une expérimentation ou un

Lorsque l'on est intéressé de connaître la dépendance d'une variable de sortie Y

I.2. 2. Méthode traditionnelle (essais-erreurs)

II. La méthode des plans d’expériences

Le grand nombre des paramètres influençant une expérimentation ou un procédé de

Figure 3 : Les étapes d’une démarche de planification et optimisation

II.1. Aspect historique

II.2. Mise en œuvre d’un plan d’expérience

Figure 4 : La mise en œuvre d’un plan d’expérience

II.2.1. Définir le problème

La définition du problème consiste à faire appel à la méthode de QQCOQP qui permet à

II.2.2. Déterminer les objectifs

II.2.3. Définir les variables d’entrée et de sortie

Figure 5 : Les niveaux et domaine d’étude d’un facteur

II.2.3. 1. Variables codées ou variables centrées réduites

(X0 étant la valeur centrale en unités courantes et ΔX étant le pas)

II.2.4. Définir le domaine d’étude

Figure 6 : Domaine d’étude crée par deux facteur et une réponse

II.2.5. Choix de la stratégie (Plan) :

 Les plans d’optimisation (Surface de réponse) : l'objectif de ces plans est de

l’optimisation comme les plans centrés composites, plans de Box-Behnken, plans de

II.2.5.1. Les différents plans factoriels

- Plans factoriels à deux niveaux.

II.2.6. Matrice d’expérience

III. Outils mathématique : Notions de statistique appliquées aux plans

III.1. Notion de modèle et de régression linéaire multiple

III.2. Calcul des estimations ponctuelles (système d’équations)

Le résultat de ce calcul est :

La formule dans laquelle la matrice Xt est la matrice transposée de X. Il existe de nombreux

III.3. Test de t-student

On utilise alors une table de t-student à ν = 𝑁 − 𝛅 degrés de liberté

III.4. Test de Fisher (Analyse da variance ANOVA)

- La variation due à la liaison linéaire (à la régression ou au modèle) :

Tableau 1 : Analyse de variance ANOVA

Le coefficient de détermination traduit la contribution du modèle dans la restitution de la

III.5. Logiciels pour les plans d’expérience

IV. Notre premier plan d’expérience : Plan factoriel complet 2k

Niveau bas : -1 Niveau haut :0 Niveau haut :+1

L’objectif est d’avoir le maximum de la concentration cellulaire (μg/l),

Tableau 2 : Matrice expérimentale d’un plan factoriel complet à 2 niveaux : 22

Exp T (X1) Oxy%(X2) T ×Oxy% (X1 X2) y (%)

Le modèle postulé des plans factoriels complets 22 est :