INTRODUCTION

Actuellement, pour une survie économique et quel que soit le

domaine d’activité, il est nécessaire :

-d’améliorer le rendement
-d’assurer la qualité de la production
-de mettre au point de nouveau produits plus performant
-de régler au mieux appareils et unités

Afin de satisfaire ces objectifs, les ingénieurs, chercheurs et

opérateurs ont recours à l’expérimentation. Mais cette expérimentation doit
être optimisé pour obtenir les informations les plus fiables possibles en un
minimum d’essais. C’est ce que l’on appelle couramment « mener une
recherche expérimentale planifiée » ou « méthodologie des plans
d’expériences ».

Une recherche expérimentale est entreprise pour répondre aux

questions précises que nous nous posons. Elle comporte plusieurs phases. En
effet, dans l’étude d’un phénomène quelconque, les questions se posent dans
l’ordre suivant :
1. Parmi tous les facteurs susceptible d’influer sur le phénomène étudié :
- lesquels ont une influence significative ?
- que vaut cette influence ?
- y a t il des interactions entre facteurs ?
Cette étape constitue « la recherche des facteurs influents »
2. Une fois les facteurs influents identifiés et leur influence quantifiée, nous
pouvons chercher la « forme » de cette influence : linéaire ou courbe.
Quelle équation permet de décrire les variations du phénomène étudié
avec les facteurs influents ?
Cette étape est appelée « modélisation »

3. Enfin, nous pouvons en dernière étapes vouloir chercher les conditions

expérimentales qui donnent le meilleur résultat.
Cette étape est appelée « optimisation »
4. Ces trois grande étapes se trouvent dans l’étude des mélanges afin
d’exprimer les propriétés d’un mélange en fonction de sa composition.
Les plans d’expériences constituent un outil de portée universelle.
Depuis, les premières publications par Fisher, les exemples se sont multiplié
dans le domaine d’agronomie, l’industrie chimique, les industries
mécaniques, l’automobile….. En résumé, tous les secteurs de la vie
économiques sont concernés.
 domaines
-Chimie
-agriculture
Activités -Pharmacie
-Recherche -Biochimie plans -Informations fiables
-Mise au point -Gains de temps
d’expériences
-Assurance -Economie
qualité -Optimisation
Personnes
-Ingénieurs
-Techniciens
-Qualiticiens
-Chercheurs

La méthodologie est applicable, que l’ont soit chercheur, ingénieur,

responsable d’un laboratoire d’analyse, ingénieur qualité et à partir du
moment où l’outil est maîtrisé, pourquoi ne pas l’utiliser dans la vie
courante.

Malgré, l’efficacité reconnue de la méthodologie, elle est encore

trop peu enseignée. Nombreux sont les ingénieurs et techniciens en poste
qui n’ont pas entendu parler des plans d’expériences au cours de leurs
études.
 CHAP 1 : PLAN OPTIMAL ET RECHERCHE DES FACTEURS INFLUENTS

I. NOTION DE PLAN OPTIMAL ET CRITÈRES D’OPTIMALITE

Pour résoudre un même problème, plusieurs stratégies sont
possibles. Elles n’ont pas toutes la même efficacité. Pour cela des critères
d’optimalité peuvent être utilisés pour choisir la meilleure stratégie (variance,
incertitude).
Comme exemple, nous avons choisi d’utiliser celui le plus connu :
« les plans de pesées » développés par HOTTELLING et présentés par le
professeur PHAN TAN LUU.
I.1. PLAN DE PESÉES

I.1.a. énoncé du problème

A l’aide d’une balance de Roberval nous voulons estimer les poids p1,
p2 et p3 de trois objets 1,2 et 3. Pour cela, nous envisageons 4 pesées. Nous
allons donc comparer entre eux des plans comportant chacun 4 pesées.

L’efficacité de chaque plan sera évaluée par l’incertitude sur les poids
pi. Le plan le plus efficace sera celui qui nous donnera la valeur des poids des
trois objets avec l’incertitude la plus faible.
I.1.b.premier plan de pesée
Ce premier plan est décrit dans le tableau, dans lequel chaque ligne décrit
une pesée Objet Objet Objet poids
1 2 3
Pesée 0 0 0 y1
1
Pesée 1 0 0 y2
2
Pesée 0 1 0 y3
3
Pesée 0 0 1 y4
0 : objet n’est sur aucun plateau 4
1 : objet sur le plateau de droite
y : poids placé sur le plateau de gauche pour établir l’équilibre.
L’état de la balance pour la pesée n°3 est schématisé par :
2

Pour le réglage de zéro, nous avons pesé un objet fictif de poids p0, nous
pouvons donc écrire :
 p0 = y1
p0 + p1 = y2 p1 = y2 - y1
p0 + p2 = y3 p2 = y3 - y1
p0 + p3 = y4 p3 = y4 - y1

Appelons pi, l’incertitude sur le poids pi. pi est proportionnel à la racine
carré de la variance Var(pi) soit :

pi =  Var(pi)

Les pesées sont indépendantes les unes des autres. Si nous supposons la
variance sur les pesés constante et égale à Var(y) et chacun des poids étant
la différence de deux pesées nous obtenons :

Var(pi) = 2 Var(y) i

Ce premier plan de pesée nous a fourni les poids de trois objets (la
moindre des choses) et son efficacité est :  [2 Var(y)].
 I.1.c.deuxième plan de pesée
La stratégie choisie consiste à peser deux par deux les objet après avoir
« fait le zéro de la balance ».
Objet Objet Objet poids
1 2 3
Pesée 0 0 0 y1
1
Pesée 1 1 0 y2
2
Pesée 1 0 1 y3
3
Pesée 0 1 1 y4
4

L’état de la balance pour la pesée n° 2 est schématisé par :

1 2
 p0 = y1
p0 + p1 + p2 = y2 p1 = ½ (y2 + y3 – y1 – y4)
p0 + p1 + p3 = y3 p2 = ½ (y2 + y4 – y1 – y3)
p0 + p2 + p3 = y4 p3 = ½ (y3 + y4 – y1 – y2)
La variance a pour expression : Var(pi) = ¼ [4Var(y)] = Var(y)
Le deuxième plan de pesée a fourni les poids des trois objets avec
une efficacité de Var(y).
Ce plan est donc plus efficace que le précédent puisque l’incertitude
sur les poids est divisée par 2.
I.1.d.troisième plan de pesée
Une autre stratégie est possible, elle consiste à peser les trois objets
ensemble, puis à mettre successivement chacun dans le plateau opposé.
Objet Objet Objet poids
1 2 3
Pesée 1 1 1 y1
1
Pesée -1 1 1 y2
2
Pesée 1 -1 1 y3
3
Pesée 1 1 -1 y4
4
 1 : objet sur le plateau de droite
-1 : objet sur le plateau de gauche
L’état de la balance pour la pesée n° 3 est schématisé par :

2 1 3

Nous pouvons écrire les quatre relations suivantes

p0 + p1 + p2 + p3 = y1 p1 = ½ (y1 – y2)
p0 - p1 + p2 + p3 = y2 p2 = ½ (y1 – y3)
p0 + p1 – p2 + p3 = y3 p3 = ½ (y1 – y4)
p0 + p1 + p2 - p3 = y4

La variance a pour expression : Var(pi) = ¼ [2Var(y)] = 1/2Var(y)

Le troisième plan de pesée a fourni les poids des trois objets et l’efficacité
du plan vaut : Var(y)/2.

La précision sur le poids des objets a encore été améliorée.

I.1.e.quatrième plan de pesée

En s’inspirant de la stratégie précédente, nous pouvons essayer de

ramener deux par deux les objets dans le plateau de gauche.

Objet 1 Objet 2 Objet 3 poids

Pesée 1 1 1 1 y1
Pesée 2 -1 -1 1 y2
Pesée 3 1 -1 -1 y3
Pesée 4 -1 1 -1 y4

1 : objet sur le plateau de droite

-1 : objet sur le plateau de gauche

L’état de la balance pour la pesée n° 3 est schématisé par :

2 3 1
 Nous pouvons écrire les quatre relations suivantes :

p0 + p1 + p2 + p3 = y1 p1 = 1/4 (y1 – y2 + y3 – y4)

p0 - p1 - p2 + p3 = y2 p2 = 1/4 (y1 – y2 - y3 + y4)
p0 + p1 – p2 - p3 = y3 p3 = 1/4 (y1 + y2 - y3 – y4)
p0 - p1 + p2 - p3 = y4

La variance a pour expression : Var(pi) = 1/16[4Var(y)] = 1/4Var(y)

Le quatrième plan de pesée a fourni le poids des trois objets et l’efficacité

du plan vaut : Var(y)/4.
I.1.f.definition du plan optimal
Entre le premier et le quatrième plan, la variance des poids est
passée de 2Var(y) à 1/4Var(y). L’incertitude sur les poids a été divisée par 8
= 2,85 et ceci pour toujours quatre expériences. Dans le cas du troisième et
quatrième plan, tous les objets sont présents à toutes les pesées.

L’inégalité de Cauchy Schwartz nous permet d’affirmer que le

quatrième plan est un plan optimal. En effet, si on fait N pesées, la
variance des poids est  à la Var(y)/N. dans notre cas N = 4.

Var(p)  1/4 Var(y)

I.2. DES PLANS DE PESÉES AUX PLANS D’EXPÉRIENCES

Nous venons de voir qu’il existe plusieurs stratégies pour peser

trois objets et qu’elles n’ont pas toutes la même efficacité. Est il de même
pour les expériences que nous avons à faire dans notre vie
professionnelle.
Par analogie, nous allons remplacer le terme poids d’un objet qui
n’est que l’effet de cet objet sur la déviation de la balance, par le terme
plus général de « réponse » et le mot objet par le mot « facteur ».

Ainsi les plans de pesées deviennent un cas particulier des plans

d’expériences permettant d’estimer les effets de k facteurs sur une réponse
donnée.
De même que nous avons pour chaque objet :

un état -1 : objet sur le plateau de gauche

un état 1 : objet sur le plateau de droite

Nous attribuerons aux moins deux niveaux à chaque facteurs et nous

les désignerons par -1 et 1.
Exemples :

• la température sera réglée de 50 °C (niveau -1), 100 °C (niveau 1)

• a pression sera réglée à 3 bars (niveau -1), 40 bars (niveau 1)
• le réactif sera d’origine A (niveau -1), B (niveau 1)
I.3. CRITERES D’OPTIMALITE
Grâce aux mathématiciens, à chaque plan, on peut associé une
matrice X composée de :
• N lignes : une par expériences
• K colonnes : une par effet à estimer
Chaque cas des plans de pesées peut être décrit par une matrice de
4 lignes (une par pesée) et 4 colonnes (une par objet) y compris l’objet fictif
toujours présent dans le plateau de droite.

Pour le premier plan de pesées nous obtenons :

Objet fictif Objet 1 Objet 2 Objet 3

Pesée 1 1 0 0 0
Pesée 2 1 1 0 0
Pesée 3 1 0 1 0
Pesée 4 1 0 0 1
 La matrice X associée à ce plan est :
1 0 0 0
1 1 0 0
X=
1 0 1 0
1 0 0 1
I.3.a. orthogonalité
Une matrice est orthogonale si ces vecteurs colonnes sont
orthogonaux deux à deux. L’orthogonalité de deux vecteurs X1 et X2 tels
que :
x11 x21
x12 x22
x13 x23

X1 = X2 =
x1i x2i

x1k x2k

k
Se traduit par l’égalité : x1i x2i = 0
1
 L’orthogonalité de la matrice est une propriété importante qui
permet des calculs plus faciles, l’indépendance des estimations. Seule, la
matrice du quatrième plan de pesées est orthogonale.

I.3.b. critère « matrice d’Hadamard »

L’analyste français Hadamard a démontré que pour atteindre en N

expériences la variance minimale de Cauchy Schwartz, la matrice X
associée au plan doit vérifier la relation :

X’X = I N
Où :
• X’ est la matrice transposée de X
• I est la matrice unité
• N est le nombre d’expériences

X’X est le produit à gauche de X par sa transposée X’. On peut

vérifier que seul le quatrième plan satisfait au critère d’optimalité
d’Hadamard. Pour le quatrième plan la matrice X s’écrit :

1 1 1 1 1 1 1 1
1 -1 -1 1 1 -1 1 -1
X= X’ =
1 1 -1 -1 1 -1 -1 1
1 -1 1 -1 1 1 -1 -1
 4 0 0 0
0 4 0 0
X’X = ; X’X = 4 I
0 0 4 0
0 0 0 4

Les matrices d’Hadamard sont des matrices orthogonales et ont pour

éléments 1 ou -1. Elles n’existent que pour N = 2 et N multiple de 4.

1 1 1 -1 -1 1
N = 2; X = 1 -1 1 1 -1 -1
N = 4; X =
1 -1 1 -1
1 1 1 1

Si N est différent, on devra utiliser un autre critère que la matrice

d’Hadamard. On pourra par exemple utiliser l’un des trois critères suivants
qui ont tous pour objectifs de réduire la variance des estimations.
I.3.c. critère du déterminant maximal
Parmi les plans possibles représentés par une matrice X, le plan
optimal sera celui pour lequel le déterminant de X’X sera le plus grand.

Plan optimal Det (X’X) = maximal

Ainsi pour le plan de pesées n° 4, nous trouvons Det (X’X) = 256,

alors que pour le plan n°3 Det (X’X) = 64.

I.3.d. critère de la trace de (X’X) -1

Parmi tous les plans possibles représentés par une matrice X, le

plan optimal sera celui pour lequel la trace de la matrice (X’X) -1 sera
minimale.

Plan optimal Tr (X’X) -1 = minimale

I.3.e. autre critère : la diagonale de (X’X) -1

Le plan optimal sera le plan pour lequel la valeur la plus grande sur
la diagonale de (X’X) -1 sera la plus faible possible. Notons que, si un plan
est décrit par une matrice d’Hadamard, il satisfait aux trois autres critères.
 I.3.f. classement des plans
Les critères que nous venons d’énoncer permettent de classer les
plans d’expériences par ordre d’efficacité.
Var(y)/N Variance des effets

* plan optimal * plan optimal * d’autres

décrit par une si la matrice plans (plans
matrice d’Hadamard intuitifs)
d’Hadamard si N n’existe pas.
=2 ou multiple de Det (X’X) maxi
4 Tr (X’X)-1min
Autre critères

II. PLAN FACTORIELS COMPLETS À DEUX NIVEAUX

Les plans factoriels complets à deux niveaux ou plans 2k permettent de

répondre de façon optimale aux questions :

• quels facteurs ont une influence sur le phénomène étudié?

• Si influence il y a, que vaut elle ?
• Y a-t-il des interactions entre facteurs et comment jouent elles ?
II.1. DEFINITION
II.1.a. réponses et facteurs
Exemple : une huile pour moteur est fabriquée suivant un mode
opératoire bien déterminé, nous nous intéressons :

• au rendement du procédé (en %)

• au point de congélation de l’huile préparée (° C)

Ce sont les réponses de l’étude. On peut choisir des réponses

mesurables (°C, tps --) ou qualitatives (coloration, goût ---).

Réponse : grandeur que l’on mesure pour connaître l’effet des facteurs sur
le système. La réponse est généralement notée Y.
De nombreux paramètres liés aux matières premières, aux
conditions opératoires peuvent faire varier le rendement ou le point de
congélation.

Exemple : la nature du solvant, le taux de solvant, la température de

traitement. Ce sont les facteurs de l’étude. Ils sont généralement notés X1,
X2, X3 ---.ils peuvent être qualitatifs (nature du solvant) ou quantitatifs (T,
taux).
Facteur : variable qui peut agir sur le système.
Niveau d’un facteur : valeur que prend un facteur au cours des essais.

Les niveaux extrêmes de chaque facteur délimitent le domaine

expérimental de l’étude.

Exemple :

Niveau -1 Niveau +1
Solvant S1 S2
Taux de solvant 2 vol/vol 3 vol/vol
température -15 °C -20 °C

Le domaine de validité de l’expérience correspond aux limites raisonnables

de variation des facteurs. Il y a deux écueils à éviter :

• niveaux trop proches  pas d’effet significatif sur les facteurs

• niveaux trop éloignés  mise en défaut de l’hypothèse de linéarité
II.1.b. effet d’un facteur
L’effet d’un facteur X sur la réponse Y s’obtient en comparant les valeurs
de la réponse Y quand X passe du niveau -1 au niveau +1.
Réponse

y2 -
y2 – y1 : effet global
y1 -
(y2 – y1)/2 : effet moyen
-1 +1

II.1.c. notion d’interaction

Il y a interaction entre deux facteurs X1et X2, si l’effet de X1 dépend du

niveau du facteur X2 ou inversement. Elle est notée interaction X1X2 ou
X1.X2.
 Exemple : une étude sur l’usure des pneus montre une interaction
entre la vitesse et la pression de gonflage des pneus. La vitesse a un effet
différent sur l’usure des pneus selon qu’ils soient peu ou bien gonflé.

II.1.d. notion d’effet significatif

Le calcul d’un effet ou d’une interaction est basé sur des résultats de
mesure expérimentale portant sur la réponse (y1 et y2). L’écart observé
entre y2 et y1 est-il dû uniquement aux erreurs de mesures ? On répond à
cette question par des tests statistiques.
• si oui, nous dirons que le facteur X n’influe pas sur la réponse Y.
• si non, nous dirons que le facteur X est un facteur influent sur la
réponse, ou significatif.
II.1.e. démarche préliminaire à une recherche expérimentale
planifiée

Avant de démarrer une recherche expérimentale planifiée,

l’expérimentateur doit se poser les questions suivantes :
• Quelles réponses choisir ?
• Quels sont l’identité et le nombre de facteurs de l’étude,
• Identifier les facteurs non contrôlables, contrôlables non retenus par
l’étude et enfin les facteurs de l’étude que l’opérateur fera varier selon le
plan d’expériences.
• Il faut fixer les limites du domaine expérimental (ni trop grand, pour ne
pas dépasser la région intéressante, ni trop petit, sinon on risque de ne rien
voir du tout).

• Faire le plan.

• Évaluer les dispersions des résultats (répétition d’essais où tous les

facteurs sont figés).

•Dépouiller et interpréter (effets, interactions, signification des effets…).

II.2. CARACTERISTIQUES GÉNERALES DES PLANS FACTORIELS
COMPLETS A 2 NIVEAUX

Un plan complet consiste à étudier toutes les combinaisons possibles des

facteurs pris en considération dans l’expérience.

Plan Xk  k facteurs à X niveaux

• Si 3 facteurs à 2 niveaux alors le plans 23  23 = 8 expériences

• Si 3 facteurs à 2 niveaux et 2 facteurs à 4 niveaux alors le plans complet
comporte 23  42 = 128 expériences

Plan 2k  plan factoriel dont les k facteurs ne possèdent que 2 niveaux.

II.2.a. matrice des essais

La matrice d’expérience est un tableau indiquant :

• le nombre d’expérience à réaliser,
• la façon de faire varier les facteurs,
• l’ordre de réalisation des expériences.
 Pour étudier deux facteurs X1et X2 à raison de deux niveaux pour
chaque facteur, il faut réaliser 22 = 4 essais selon la matrice d’expériences
suivantes :

X1 X2
Essai1 -1 -1
Essai2 +1 -1
Essai3 -1 +1
Essai4 +1 +1

Pour trois facteurs X1 ; X2 ; X3 ; le nombre d’essais à réaliser est 23

= 8. La matrice d’essai est la suivante :
 X1 X2 X3
Essai1 -1 -1 -1
Essai2 +1 -1 -1
Essai3 -1 +1 -1
Essai4 +1 +1 -1
Essai5 -1 -1 +1
Essai6 +1 -1 +1
Essai7 -1 +1 +1
Essai8 +1 +1 +1

Pour k facteurs, le nombre d’essais est de 2k. la matrice est

composée de k colonnes et de 2k lignes, elle se construit simplement :

• Facteur X1 ; 1ere colonne : alternance -1 et +1

• Facteur X2 ; 2eme colonne : alternance -1 et +1de 2 en 2
• Facteur X3 ; 3eme colonne : alternance -1 et +1 de 4 en 4
• Facteur X4 ; 4eme colonne : alternance -1 et +1 de 8 en 8
II.2.b. domaine expérimental

Le domaine d’étude peut être représenté dans l’espace des facteurs à

k dimensions :

- si k = 2, nous obtenons un carré, les points expérimentaux

sont situés aux quatre sommets du carré.

Essai3 +1 Essai4

-1 +1

Essai1 -1 Essai2

- si k = 3, nous obtenons un cube dont les huit sommets figurent les huit
essais du plans.
 6 8

2 4

5
X1 7

1 3 X3
X2
II.2.c. optimalité

Les plans 2k sont des plans optimaux au sens d’Hadamard.

II.3. PLANS 22

II.3.a. plan 22 sans interaction

Exemple : au cours d’une synthèse chimique, nous cherchons quelles sont
les influences de la température T et la concentration C sur le rendement %
de la réaction.
• La température peut varier de 50 °C à 100 °C
• La concentration varie entre 20 g/l et 30 g/l
On attribue donc :
• le niveau -1 à 50 °C pour la température et 20 g/l pour la concentration
• le niveau +1 à 100 °C pour la température et 30 g/l pour la concentration

température concentration
Essai1 -1 -1
Essai2 +1 -1
Essai3 -1 +1
Essai4 +1 +1

Niveau -1 50 °C 20 g/l
Niveau +1 100 °C 30 g/l

Après avoir effectué les quatre essais dans les conditions indiquées,
nous reportons les résultats obtenus.
 température concentration Rendement %
Essai1 -1 -1 70
Essai2 +1 -1 85
Essai3 -1 +1 75
Essai4 +1 +1 90

Représentons graphiquement les variations du rendement et du

rendement moyen en fonction de la température.

• Au niveau -1 de la température, le rendement moyen est :

½(70 + 75) = 72,5 %

• Au niveau +1 de la température, le rendement moyen vaut :

½(85 + 90) = 87,5 %

Rendement %
Rendement %
moyen
85 - * 85 -
80 - * 80 -
*

75 - 75 -
*
70 - * 70 - *

-1 0 +1 T -1 0 +1 T

La différence de ces deux moyennes (87,5 – 72,5 = 15)

représente l’effet global de la température soit + 15 %.

Le signe + signifie que le rendement augmente quand la

température passe du niveau -1 au niveau +1.

L’effet moyen de la température est égal à la moitié de l’effet

global soit + 7,5 %.
 Rendement Rendement
% * %moyen
85 - * 85 -
*
80 - 80 -
75 - * 75 - *
70 - * 70 -

-1 0 +1 C -1 0 +1 C

Le rendement moyen est :

•Au niveau -1 de la concentration, le rendement moyen est :

½(70 + 85) = 77,5 %

• Au niveau +1de la concentration, le rendement moyen est :

½(75 + 90) = 82,5 %

Donc l’effet global de la concentration est de : 82,5 – 77,5 = +5 %

et l’effet moyen de la concentration est de + 2,5 %.
 Nous pouvons également chercher si l’effet de la température
dépend de la concentration en réactif.

• Effet moyen de la température à 20 g/l est : ½(85 – 70) = +7,5 %

• Effet moyen de la température à 30 g/l est : ½(90 – 75) = +7,5 %

L’effet moyen de la température ne dépend pas du niveau de la

concentration en réactif donc il n’ y a pas d’interaction : Température –
Concentration.

II.3.b. plan 22 avec interaction

Exemple : au cours d’une réaction chimique, nous cherchons l’influence

du catalyseur et de la présence d’eau sur le rendement %.

Le domaine d’étude est défini de la manière suivante :

Niveau -1 Niveau +1
Catalyseur Type 1 Type 2
Eau Présent Non présent
 Cet exemple permet de voir que les facteurs étudiés peuvent être
qualitatifs. Les résultats expérimentaux du plan 22 sont les suivant :

catalyseur eau Rendement

%
Essai1 -1 -1 25
Essai2 +1 -1 31
Essai3 -1 +1 24
Essai4 +1 +1 38

Niveau -1 Type 1 Présent

Niveau +1 Type 2 Non présent
 Calcul de l’effet global du catalyseur :

• au niveau -1 du catalyseur, le rendement moyen est :

½(25 + 24) = 24,5 %

• au niveau +1 du catalyseur, le rendement moyen est :

½(31 + 38) = 34,5 %

Donc l’effet global du catalyseur sur le rendement est la différence

entre ces deux valeurs :

½(31 + 38) - ½(25 + 24) = ½(-25 + 31 – 24 + 38) = 10 %

 calcul de l’effet moyen du catalyseur qui est égal à la moitié de l’effet

global du catalyseur :

½ [½(-25 + 31 – 24 + 38)] = ¼(-25 + 31 – 24 + 38) = +5 %

REMARQUE :

L’effet moyen d’un facteur sur la réponse est obtenu par : la somme
algébrique de chaque valeur de la réponse affectée du signe correspondant
dans la colonne du facteur divisée par le nombre d’essai.

 calcul de l’effet moyen de l’eau sur le rendement :

¼(-25 - 31 + 24 + 38) = +1,5 %

 calcul de l’interaction

- l’effet moyen du catalyseur avec la présence d’eau est égal à :

½(31 - 25)

- l’effet moyen du catalyseur sans présence d’eau est égal à :

½(38 - 24)
L’interaction globale est définie par la différence de ces deux valeurs :

½(38 - 24) - ½(31 - 25) = ½(25 - 31 - 24 + 38)

L’interaction moyenne est définie par la moitié de l’interaction globale :

½[½ (25 - 31 - 24 + 38)] = ¼(25 - 31 - 24 + 38)= 2%

REMARQUE :
La colonne « interaction » s’obtient en multipliant ligne à ligne les
colonnes des deux facteurs (catalyseur – eau).

essai catalyseur eau interaction Rendement

%
1 -1 -1 +1 25
2 +1 -1 -1 31
3 -1 +1 -1 24
4 +1 +1 +1 38

Niveau -1 Type 1 Oui

Niveau +1 Type 2 Non
 On peut aussi calculer la réponse moyenne en divisant la somme des
valeurs de chaque réponse par le nombre d’essai. Le rendement moyen
est donc égal à :

¼(25 + 31 + 24 + 38) = 29,5 %

Représentation graphique de l’interaction :

Catalyseur

Type 2
31 38

Oui Non
Eau

25 24
Type 1

On note que le catalyseur de type 1 est peu sensible à la présence ou non

de l’eau. Par contre en utilisant le catalyseur de type 2 le rendement varie
en fonction de la présence ou non de l’eau.
II.3.c. optimalité des plans 22

Un plan 22 comporte quatre essais qui donnent quatre résultats ce qui se

résument en la matrice des effets.
Cette matrice s’obtient à partir de la matrice précédente en supprimant la
colonne de la réponse.

X1 X2 X1 X 2 moyenne
essai 1 -1 -1 +1 +1
essai 2 +1 -1 -1 +1
essai 3 -1 +1 -1 +1
essai 4 +1 +1 +1 +1

Cette matrice comporte quatre lignes (une par expérience) et

quatre colonnes (une par estimation). Cette matrice satisfait le critère
d’Hadamard.
X’ X = 4I
Les quatre estimations : effet moyen de X1 ,effet moyen de X2 ,
interaction moyenne X1X2 sont obtenues avec la variance minimale de
Cauchy Schwartz soit : Var(y) / 4
Var(y) : la variance sur les mesures de la réponse y ;
4 : représente le nombre d’essai.
On appelle matrice des effets la matrice X servant au calcul des
coefficients dans la régression linéaire multiple.

La matrice X des effets, servant au calcul des coefficients du modèle,

s'obtient en ajoutant à la matrice d'expérience une colonne ne contenant
que des 1 et les colonnes de toutes les interactions.

La meilleure précision sur les coefficients de chacun des facteurs dans la

régression linéaire multiple est obtenue si l'on fait varier les niveaux de
tous les facteurs à chaque expérience et si toutes les expériences
concourent à l'estimation de chaque coefficient.

Critère d'optimalité au sens d'Hadamard

Pour obtenir en n expériences une variance minimale, la matrice des
effets X doit vérifier la relation : X’X = n I
II.4. PLANS 23
Exemple : étude de l’influence de trois facteurs.
X1 : la température T,
X2 : l’origine commerciale d’un des réactifs R,
X3 : la vitesse d’agitation sur le rendement d’une réaction chimique.
Les essais à réaliser sont décrits dans la matrice des essais suivante :
T R A %
Essai 1 -1 -1 -1 52
Essai 2 +1 -1 -1 69
Essai 3 -1 +1 -1 53
Essai 4 +1 +1 -1 69
Essai 5 -1 -1 +1 64
Essai 6 +1 -1 +1 70
Essai 7 -1 +1 +1 63
Essai 8 +1 +1 +1 71

Niveau -1 20 °C Origine 1 Lente

Niveau +1 50 °C Origine 2 Rapide
On appelle matrice des effets la matrice X servant au calcul des
coefficients dans la régression linéaire multiple.

Dans la matrice des effets, les colonnes dédiées aux interactions s’obtiennent
en effectuant le produit ligne à ligne des colonnes des facteurs concernés.

T R A Int Int Int Int

X1 X2 X3 X1 X2 X2 X 3 X1 X3 X1 X 2 X3 Moy %
Essai1 -1 -1 -1 +1 +1 +1 -1 +1 52
Essai2 +1 -1 -1 -1 +1 -1 +1 +1 69
Essai3 -1 +1 -1 -1 -1 +1 +1 +1 53
Essai4 +1 +1 -1 +1 -1 -1 -1 +1 69
Essai5 -1 -1 +1 +1 -1 -1 +1 +1 64
Essai6 +1 -1 +1 -1 -1 +1 -1 +1 70
Essai7 -1 +1 +1 -1 +1 -1 -1 +1 63
Essai8 +1 +1 +1 +1 +1 -1 +1 +1 71
L’application des règles précédentes nous permet de calculer l’effet
moyen des facteurs et l’interaction.
•effet moyen de X1 : 1/8(-52 + 69 – 53 + 69 – 64 + 70 – 63 + 71) = + 5,9
•effet moyen de X2 : 1/8(-52 – 69 + 53 + 69 – 64 – 70 + 63 + 71) = + 0,1
•effet moyen de X3 : 1/8(-52 – 69 – 53 – 69 + 64 +70 + 63 + 71) = + 3,1
•interaction X1X2 : 1/8(+52 – 69 – 53 + 69 + 64 – 70 – 63 + 71) = + 0,1
•interaction X2X3 : 1/8(+52 + 69 – 53 – 69 – 64 – 70 + 63 + 71) = – 0,1
•interaction X1X3 : 1/8(+52 – 69 + 53 – 69 – 64 + 70 – 63 + 71) = – 2,4
•interaction X1X2X3 : 1/8(-52 + 69 + 53 – 69 + 64 -70 – 63 + 71) = + 0,4
•moyenne : 1/8(+52 + 69 + 53 +69 +64 + 70 + 63 + 71) = + 63,9

Représentation graphique de l’interaction X1X3 (température – agitation)

Température Conclusion :
50 °C
69 70,5
71
• quelque soit les autres conditions, la
69
température a une action positive sur le
Lente Rapide rendement.
Vitesse d’agitation

52 64 • L’origine du réactif n’a pas d’influence.

53 20 °C 63

•A basse température, la vitesse d’agitation

rapide augmente le rendement, alors qu’à haute
température, la vitesse d’agitation n’a pas
d’influence.
Optimalité des plans 23
La matrice des effets d’un plan 23 est une matrice d’Hadamard du
type : X’X = 8I
Les huit estimations sont obtenues avec une variance minimale de :
Var(y)/N = var(y)/8

II.5. PLANS FACTORIELS COMPLETS A QUATRE FACTEURS

La matrice d’expériences comporte 24 = 16 lignes correspondant à 16 essais

et 4 colonnes :
•1ère colonne : facteur X1 alternance de -1 et de +1
•2ème colonne : facteur X2 alternance de -1 et de +1 de deux en deux
•3ème colonne : facteur X3 alternance de -1 et de +1 de quatre en quatre
•4ème colonne : facteur X4 alternance de -1 et de +1 de huit en huit

La matrice des effets permet d’obtenir seize informations qui portent sur :
•les effets de chaque facteur ; X1 ; X2 ; X3 ; X4 ; au nombre de quatre,
•les interactions du 1er ordre : X1 X2 ; X1 X3 ; X1 X4 ; X2 X3 ; X2 X4 ; X3X4 ;
au nombre de six
•les interactions du 2ème ordre : X1 X2 X3 ; X1 X2 X4 ; X1 X3X4 ; X2X3X4 ; au
nombre de quatre
•interaction du 3ème ordre : X1 X2 X3 X4 au nombre de un
 X1 X2 X3 X4 X1 X2 X1 X3 X1 X4 X2 X3 X2 X4 X3 X4 X1 X2 X3 X1 X2 X4 X1 X3X4 X2 X3 X4 X1 X2 X3 X4 M
oy

1 - - - - + + + + + + - - - - + +

2 + - - - - - - + + + + + + - - +

3 - + - - - + + - - + + + - + - +

4 + + - - + - - - - + - - + + + +

5 - - + - + - + - + - + - + + - +

6 + - + - - + - - + - - + - + + +

7 - + + - - - + + - - - + + - + +

8 + + + - + + - + - - + - - - - +

9 - - - + + + - + - - - + + + - +

10 + - - + - - + + - - + - - + + +

11 - + - + - + - - + - + - + - + +

12 + + - + + - + - + - - + - - - +

13 - - + + + - - - - + + + - - + +

14 + - + + - + + - - + - - + - - +

15 - + + + - - - + + + - - - + - +

16 + + + + + + + + + + + + + + + +
En général, à k facteurs, le plan comporte N = 2k expériences qui
permettent d’obtenir 2k informations suivantes :
- la moyenne
- les k effets des facteurs

- 2 interactions du 1er ordre

k
- 3 interactions du 2
ème ordre

- interaction des k facteurs entre eux.

La matrice d’effets est une matrice carrée à N lignes (essais)

et N colonnes tel que :
X’X = NI
Chacune des N informations est obtenue avec la variance
minimale : Var(y)/N
Construction d’un plan 23 pour un test en fatigue mettant en jeu 3 facteurs.

Les facteurs : X1 : la température, Niveau bas : Niveau haut :

X2 : le nombre de cycles, -1 +1
X3 : la charge appliquée. X1 20 °C 120 °C
X2 1 200
X3 10 MPa 50 MPa

N° des essais 1 2 3 4 5 6 7 8
Déformation (mm) 2 1 4 3 7 2 5 6

1. Construire la matrice d'expériences correspondant à ce plan complet

2. Calculer tous les effets : facteurs principaux et interactions
3. Tracer le diagramme des effets
4. Déterminer une loi de comportement du matériau testé
 Exp Moy X1 X2 X3 X 1 X2 X1 X3 X2 X3 X1X2X3 Yexp

1 +1 -1 -1 -1 +1 +1 +1 -1 2
2 +1 +1 -1 -1 -1 -1 +1 +1 1
3 +1 -1 +1 -1 -1 +1 -1 +1 4
4 +1 +1 +1 -1 +1 -1 -1 -1 3
5 +1 -1 -1 +1 +1 -1 -1 +1 7
6 +1 +1 -1 +1 -1 +1 -1 -1 2
7 +1 -1 +1 +1 -1 -1 +1 -1 5
8 +1 +1 +1 +1 +1 +1 +1 +1 6

8 8 8 8 8 8 8 8

Effets a0= a1= a2= a3= a12= a13= a23= a123=

3,75 -0,75 0,75 1,25 0,75 -0,25 -0,25 0,75

Le modèle s’écrit :
Y  3,75  0,75 X1  0,75 X 2  1,25 X 3  0,75 X12  0,25 X13  0,25 X 23  0,75 X123
 Tableau des réponses moyennes

X1 X2 X3
2475
 4,5
Niveau -1 4 3 2,5

Niveau +1 3 4,5 5

6 5
4,5
5 X1=-1
4

4 3,5
3
3 2,5
X1=+1
X1 X2 2
2 X3 1,5

1 1
0,5
0 0
-1 +1 -1 +1 -1 +1 -1 +1

Graphe des effets Visualisation de l’interaction X1X2

49
III. PLANS FRACTIONNAIRES A DEUX NIVEAUX
Dans un plan factoriel complet, le nombre des essais augmente rapidement
avec le nombre de facteurs. Les plans fractionnaires sont des plans
optimaux, ils permettent de réduire la charge expérimentale, en focalisant
l’attention sur les effets les plus intéressant.
III.1. DEFINITION DES PLANS
Nous remarquons qu’en physico-chimie comme dans d’autre
domaine, les interactions d’ordre 2 (X1 X2 X3) et au-delà sont souvent
négligeable.

Ainsi par exemple, pour une étude à cinq facteurs le plan complet
propose 32 expériences, alors que nous ne sommes intéressé que par 16
informations :
• effet des facteurs au nombre de cinq
• interactions du 1er ordre au nombre de dix
• la moyenne unique

Il est donc dommage de faire 32 essais pour recueillir seulement

les 16 informations. Il faut donc pouvoir réduire la taille du plan.
La solution proposée par les plans fractionnaires consiste à utiliser
pour l’étude de k facteurs les matrices des effets des plans complets 2k-1,
2k-2, ----, 2k-p.
PLAN FRACTIONNAIRE 23-1 POUR ÉTUDIER 3 FACTEUR (NOTION
D’ALIASE OU DE CONTRASTE).

Un plan complet pour étudier trois facteurs (A, B, C) est un plan 23

nécessitant 8 expériences, mais nous désirons réaliser seulement 4
expériences.
Pour cela nous utiliserons une matrice d'expériences d'un plan 22.
Le facteur C sera placé dans la colonne de l’interaction AB

Exp Imoy A B AB Exp A B C

1 -1 -1 +1
1 +1 -1 -1 +1
2 +1 -1 -1
2 +1 +1 -1 -1 AB = C
3 +1 -1 +1 -1 3 -1 +1 -1

4 +1 +1 +1 +1 4 +1 +1 +1

Matrice des effets du plan Matrice des essais du plan

complet 22 fractionnaire 23-1

La matrice 23-1 servira à calculer les effets de A, B et C et leurs interactions

C = AB  le facteur C est aliasé avec l’interaction AB.

Nous avons : C = AB et donc CC = I = ABC

Soit : I = CAB d’où AI = ACAB = C(AA)B = CIB et donc A = CB

BI = BCAB = CA(BB) = CAI et donc B = CA

On a vu que C est aliasé avec l’interaction AB.

On montre également que A est aliasé avec l’interaction CB et B avec CA.
Les effets obtenus avec le plan fractionnaire ne sont pas des effets
purs.

L’égalité I = CAB fournit tous les aliases : c’est un générateur d’aliases

Hypothèses d’interprétation retenues en général :

• Les interactions d’ordre supérieur (3ième ordre et +) sont négligeables.

• si deux effets sont faibles, leur interaction est faible.
• si deux effets sont forts, leur interaction peut également l’être.
• si un alias est nul
- soit les effets aliasés sont tous nuls (++)
- soit les effets se compensent
 Exp I A B C Yexp
Plan fractionnaire 23-1
ABC CB CA AB
1 +1 -1 -1 +1 y1
Les lignes 1, 2, 3, 4 du plan
2 +1 +1 -1 -1 y2 fractionnaire correspondent aux lignes
5, 2, 3, 8 du plan complet.
3 +1 -1 +1 -1 y3
- y1  y 2 - y 3  y 4
4 +1 +1 +1 +1 y4 a1 
4
effets a0 a1 a2 a3
Exp I A B C AB AC BC ABC Yexp
1 +1 -1 -1 -1 +1 +1 +1 -1 z1
2 +1 +1 -1 -1 -1 -1 +1 +1 y2
3 +1 -1 +1 -1 -1 +1 -1 +1 y3
4 +1 +1 +1 -1 +1 -1 -1 +1 z4
Plan complet 23 5 +1 -1 -1 +1 +1 -1 -1 +1 y1
6 +1 +1 -1 +1 -1 +1 -1 -1 z6
7 +1 -1 +1 +1 -1 -1 +1 -1 z7
8 +1 +1 +1 +1 +1 +1 +1 +1 y4
effets a'0 a'1 a'2 a'3 a'12 a'13 a'23 a'123
 - z1  y2 - y3  z4 - y1  z6 - z7  y4 - y1  y 2 - y3  y 4
a'1   a1 
8 4
On sait que A est aliasé avec CB, calculons l’effet de CB :

z1  y2 - y3  z4 - y1  z6  z7  y4
a' 23  on remarque alors que
8 a1=a’1+a’23
a1 obtenu avec le plan fractionnaire n’est pas un effet pur, d’où :
Exp I A B C AB AC BC ABC
A = CB  a1 = a'1+a'23 1 +1 -1 -1 -1 +1 +1 +1 -1

2 +1 +1 -1 -1 -1 -1 +1 +1
B = CA  a2 = a'2 + a'13
3 +1 -1 +1 -1 -1 +1 -1 +1
C = AB  a3 = a'3 + a'12 4 +1 +1 +1 -1 +1 -1 -1 +1

5 +1 -1 -1 +1 +1 -1 -1 +1

6 +1 +1 -1 +1 -1 +1 -1 -1

7 +1 -1 +1 +1 -1 -1 +1 -1

8 +1 +1 +1 +1 +1 +1 +1 +1

effets a'0 a'1 a'2 a'3 a'12 a'13 a'23 a'123

III.2. PLANS FRACTIONNAIRES 24-1 POUR L’ÉTUDE DE QUATRE
FACTEURS

III.2.a. aliases

Le plan factoriel complet 24 comporte 16 essais et qui donnent 16

informations pour déterminer:

• 4 effets principaux,
• 6 interactions 1er ordre,
• 4 interactions 2ème ordre,
• 1 interaction 3ème ordre,
• 1 moyenne.

Choisir de réaliser un plan fractionnaire 24-1, c’est de travailler avec

une matrice des effets du plan 23 qui prévoit 8 essais et comporte 8
colonnes.

On remplace +1 par uniquement + et -1 par – la moyenne sera

représentée par I.
 X1 X2 X3 X1 X2 X2 X3 X1 X3 X1 X2 X3 I
1 - - - + + + - +
2 + - - - + - + +
3 - + - - - + + +
4 + + - + - - - +
5 - - + + - - + +
6 + - + - - + - +
7 - + + - + - - +
8 + + + + + - + +

Il reste huit effets à placer:

• X4
• ses interactions.

Il y aura donc plusieurs effets dans une même colonne.

Nous choisissons la colonne de l’interaction X1X2X3 (probablement la

plus négligeable) pour placer le facteurX4 .
La matrice d’expérience est la suivante :

X1 X2 X3 X4
1 - - - -
2 + - - +
3 - + - +
4 + + - -
5 - - + +
6 + - + -
7 - + + -
8 + + + +

X4 et X1X2X3 sont confondus, on dit qu’ils sont aliasés et on écrit :

X 4 = X 1 X2 X3

Dans les autres colonnes ; X1 ; X2 ; X3 ; X1X2 ; X1X3 ; X2X3 ; vont être

aliasés avec les interactions de X4.
L’égalité initiale X4=X1X2X3 peut s’écrire sous forme de : X4X4 = X1X2X3X4
soit :
I = X 1 X 2 X3 X4

Cette égalité est appelée générateur d’aliases.

- Dans la colonne 1 nous avons le facteur X1. Avec quel effet est - il
aliasé ?
I = X 1 X 2 X3 X4
X1 I = X 1 X 1 X2 X3 X4
X1 = IX2X3X4 car X1X1 = I
X1 = X 2 X3 X4

De même, nous obtenons :

- En colonne 2 X2 = X 1 X3 X4
- En colonne 3 X3 = X 1 X2 X4
- En colonne 5 I = X 1 X2 X3 X4 ;
X1X2I = X1X2(X1X2X3X4) = X3X4
X1 X 2 = X 3 X4
- En colonne 6 X2 X 3 = X 1 X4
- En colonne 7 X1 X 3 = X 2 X4
- En colonne 8 I = X 1 X2 X3 X4
 X2 X3 X4 X1 X 3 X4 X1 X2 X4 X3 X4 X1 X 4 X2 X4 X4 X 1 X2 X3 X4
X1 X2 X3 X1 X2 X2 X3 X1 X3 X1 X2 X3 I
1 - - - + + + - +
2 + - - - + - + +
3 - + - - - + + +
4 + + - + - - - +
5 - - + + - - + +
6 + - + - - + - +
7 - + + - + - - +
8 + + + + + - + +
III.2.b. contraste
Appelons y1,y2,---, y8, les valeurs obtenues pour les réponses aux huit
expériences du plan 24-1 = 23.

La quantité h1 = 1/8(-y1 + y2 – y3 + y4- --- + y8) représente dans le plan

23 l’effet du facteur X1.
h1 représente la somme algébrique des effets X1 et X2X3X4. On l’appelle
contraste et on écrit :

h1 = X1 + X2X3X4 = 1/8(-y1 + y2 – y3 + y4- y5 + y6 – y7 + y8)

III.2.c. exemple
Nous voulons étudier l’influence sur le durcissement d’une pâte de certains
facteurs.
Problématique : pour pouvoir utiliser une pâte, il ne faut pas qu’elle
durcisse trop vite à l’air. Or nous avons constaté que sur certain tube, la pâte
durcit en 30 minutes, alors que la durée moyenne doit être au moins d’une
heure. Quels sont les paramètres responsables du durcissent de la pâte et
comment faire pour atteindre une utilisation d’au moins une heure.

X1 = température

X2 = taux d’humidité

X3 = durée du malaxage

X4 = durée de stockage

Domaine expérimental :

températ taux durée du durée de

ure d’humidité malaxage stockage
Niveau -1 15 °C 0,1 % Court 1 semaine
Niveau +1 25 °C 0,5 % Long 6 mois
Réponse :
Temps mis par la pâte pour atteindre la consistance désirée.
Choix du plan :
On choisit un plan 24-1 = 23 avec un seul facteur supplémentaire X4
que l’on va associer à l’interaction de l’ordre le plus élevé pour un tableau
23. Donc l’aliase sera : X4 = X1X2X3.
Le générateur d’aliase est donc : I = X1X2X3X4
La matrice d’expérience et résultats expérimentaux :
X1 X2 X3 X4 Y
1 - - - - 61
2 + - - + 78
3 - + - + 72
4 + + - - 29
5 - - + + 81
6 + - + - 61
7 - + + - 33
8 + + + + 68

Niveau -1 15 °C 0,1 % Court 1 semaine

Niveau +1 25 °C 0,5 % Long 6 mois
 Calculs des contrastes :
Effectuons le calcul des contrastes à l’aide de la matrice des effets
suivante :

X2 X3 X 4 X1 X3 X4 X1 X2 X4 X1 X2 X 3 X3 X4 X1 X4 X2 X4 X1 X2 X3 X4
X1 X2 X3 X4 X1 X2 X2 X3 X1 X3 I Y
1 - - - - + + + + 61
2 + - - + - + - + 78
3 - + - + - - + + 72
4 + + - - + - - + 29
5 - - + + + - - + 81
6 + - + - - - + + 61
7 - + + - - + - + 33
8 + + + + + + - + 68

Les contrastes h1, h2, h3 ----- h8 ont pour expressions :

h1 = - 1,4 = X1 + X2X3X4  X1
h2 = - 9,9 = X2 + X1X3X4  X2 Car les interactions d’ordre 2 sont
h3 = + 0,4 = X3 + X1X2X4  X3 généralement négligeables.
h4 = + 14,4 = X4 + X1X2X3  X4
•h5 = - 0,6 = X1X2 + X3X4
•h6 = - 0,4 = X2X3 + X1X4
•h7 = + 5,1 = X1X3 + X2X4
•h8 = + 60,4 = X1X2X3X4  moy
On donne : l’incertitude sur les calculs est de  7.

Conclusion :

Les facteurs X1 et X3 sont négligeables car leur effets sont faibles.

De même pour les contrastes h5 et h6. Seuls les facteurs X2 et X4 semble
avoir une importance sur le durcissement de la pâte.
Le contraste h7 = + 5,1 = X1X3 + X2X4 n’est pas négligeable,
mais nous ne savons pas à priori quelle est l’interaction dominante. Les
effets X1 et X3 sont négligeables alors que X2 et X4 ne le sont pas.
L’interaction X2X4 semble peser plus lourd que l’interaction X1X3.

Remarque : ces huit essais constituent une moitié du plan complet à quatre
facteurs 24 = 16 essais. Les huit autres expériences restantes forment
également un plan 24-1. C’est le plan complémentaire du précédant. Il est
défini par l’aliase : X4 = - X1X2X3.
Lorsqu’on ne peut pas conclure à l’issue du premier plan, nous
avons la possibilité de poursuivre le plan complémentaire.
III.3. PLANS FRACTIONNAIRES 25-2 POUR L’ÉTUDE DE CINQ
FACTEURS
III.3.a. présentation de l’exemple

Les dosages d’additifs dans des huiles pour moteur utilisent un

quanto mètre qui comporte :un circuit oscillant défini par une capacité C,
une inductance L,une résistance R et une électrode tournante.

Nous souhaitons déterminer l’influence de cinq facteurs sur la

sensibilité des mesures:
• X1 = valeur de capacité
• X2 = valeur de l’inductance
• X3 = valeur de la résistance
• X4 = tension au bornes de la capacité
• X5 = vitesse de rotation de l’électrode

Toutes les mesures seront faites sur un même échantillon d’huile

contenant du soufre. La réponse est le rapport de la hauteur du pic du
soufre sur la hauteur du bruit de fond.

Le plan complet pour l’étude de cinq facteurs prévoit 32 essais et

fournit 32 effets. Nous pouvons choisir un plan fractionnaire 25-1 = 24 soit
16 essais. Nous préférons réduire le nombre d’expériences à 8 essais
seulement. Le plan fractionnaire correspondant est le plan 25-2.
III.3.b. aliases

La matrice des effets utilisée est celle d’un plan 23. Nous plaçons X1 ; X2
et X3 dans les trois premières colonnes et comme précédemment pour :
- le facteur X4 la colonne de l’interaction X1 X2 X3
- le facteur X5 est placé dans la colonne de l’interaction X1 X2
Ce choix conduit à la matrice d’expérience suivante :

X1 X2 X3 X4 X5
1 - - - - +
2 + - - + -
3 - + - + -
4 + + - - +
5 - - + + +
6 + - + - -
7 - + + - -
8 + + + + +

Il faut donc définir les aliases du plan, pour placer 32 effets dans huit
colonnes
Déterminer les générateurs d’aliases :
- Choix 1 : X4 = X1 X2 X3  I = X1 X2 X3 X4
- Choix 2 : X5 = X1 X2  I = X1 X2 X5
A chacun des deux choix initiaux correspond un générateur d’aliases
indépendant. Les générateurs d’aliases dépendant sont obtenus par
multiplication des générateurs indépendant 2 à 2 ou 3 à 3. Dans notre cas il
y a un seul générateur dépendant.
I = I x I = (X1 X2 X3 X4) (X1 X2 X5) = X3 X4X5

1 2 3 4 5 6 7 8
X1 X2 X3 X1 X2
X1 X2 X3 X4 X5 X2 X3 X1 X3 I
1 - - - - + + + +
2 + - - + - + - +
3 - + - + - - + +
4 + + - - + - - +
5 - - + + + - - +
6 + - + - - - + +
7 - + + - - + - +
8 + + + + + + - +
Pour obtenir la signification complète d’une colonne nous multiplions le
facteur ou interaction par tous les générateurs d’aliases.
Exemple : colonne 1
X1 I = X1(X1 X2 X3 X4) = X2 X3 X4
X1 I = X1(X1 X2 X5) = X2 X5
X1 I = X1(X3 X4 X5) = X1 X3 X4 X5
Donc, dans la colonne 1, le contraste h1 s’écrit par ordre
d’interaction croissant:
h1 = X1 + X2 X5 + X2 X3 X4 + X1 X3 X4 X5
De même:
h2 = X 2 + X 1 X 5 + X 1 X 3 X 4 + X 2 X 3 X 4 X 5

h3 = X 3 + X 4 X 5 + X 1 X 2 X 4 + X 1 X 2 X 3 X 5

h4 = X 4 + X 3 X 5 + X 1 X 2 X 3 + X 1 X 2 X 4 X 5

h5 = X 5 + X 3 X 4 + X 1 X 2 + X 1 X 2 X 3 X 4 X 5

h6 = X 2 X 3 + X 1 X 4 + X 1 X 3 X 5 + X 2 X 4 X 5

h7 = X1 X3 + X2 X4 + X2 X3 X5 + X1 X4 X5

h8 = moy + X1X2X5 + X3 X4 X5 + X1 X2 X3 X4
les huit contrastes contiennent au total 32 effets :
- cinq effets principaux des facteurs
- dix interactions de 1er ordre
- dix interactions du 2ème ordre
- cinq interactions de 3ème ordre
- une interaction de 4ème ordre
- moyenne

Si les interactions d’ordre supérieur à un sont négligeables, on obtient:

h1 = X1 + X 2 X5
h2 = X2 + X 1 X5
h3 = X3 + X 4 X5 il nous parait possible d’obtenir des
h4 = X4 + X 3 X5 résultats intéressant, nous réalisons le
h5 = X5 + X 3 X4 + X 1 X2 plan suivant.
h6 = X 2 X3 + X 1 X4
h7 = X 1 X3 + X 2 X4
h8 = moy
III.3.c. exploitation des resultats

1 2 3 4 5 6 7 8

X2 X5 X 1 X5 X4 X5 X3 X5 X3 X4 X1 X4 X2 X4
X1 X2
X1 X2 X3 X4 X5 X2 X3 X1 X3 I Y

1 - - - - + + + + 17,9
2 + - - + - + - + 19,5
3 - + - + - - + + 12,8
4 + + - - + - - + 22,1
5 - - + + + - - + 16,5
6 + - + - - - + + 20,0
7 - + + - - + - + 14,1
8 + + + + + + - + 21,2

Le calcul des contrastes donne :

 h1 = + 2,7  X1 + X2 X5
h2 = - 0,5  X2 + X1 X5
h3 = - 0,1  X3 + X4 X5
h4 = - 0,5  X4 + X3 X5
h5 = + 1,4  X5 + X3 X4 + X1 X2
h6 = + 0,2  X2 X3 + X1 X4
h7 = + 0,0  X1 X3 + X2 X4
h8 = + 18  moy

La précision des mesures sur la réponse est de  0,3. Donc h3, h6, et h7
sont non significatifs, par contre h1, h2, h4, et h5 sont significatifs. h1 et h5
montrent que X1 et X5 sont influents mais X1 X5 ne peut être éliminé.

Questions : dans h2 quelle est la part de X2 et X1 X5?

Si X2 est influent, une interaction X2X5 et X1X2 est possible,

l’interprétation des contrastes h1et h5 devient impossible. Dans ce cas,
nous décidons de réaliser un plan complémentaire.
 III.3.d. plan complémentaire

Le 1er plan fractionnaire étant défini par (X4 = X1 X2 X3 et X5 = X1 X2) , il

représente un quart du plan complet . les trois autres quarts correspondent
à:

X4 = X1 X2 X3 et X5 = - X1 X2
X4 = - X1 X2 X3 et X5 = X1 X2
X4 = - X1 X2 X3 et X5 = - X1 X2

X4 = X1 X2 X3 X4 = X1 X2 X3

X5 = X1 X2 X5 = - X1 X2

X4 = -X1 X2 X3 X4 = - X1 X2 X3

X5 = X1 X2 X5 = - X1 X2
 Quel plan complémentaire choisir ? le problème vient du fait que X1X5 et
X2 sont influent et sont aliasés avec leur interaction dans les contrastes :
h1 = X 1 + X 2 X 5
h2 = X 2 + X 1 X 5
h5 = X5 + X3 X4 + X1 X2

si le plan complémentaire nous donne les contrastes suivants :

h1 ’ = X 1 - X 2 X 5
h2 ’ = X 2 - X 1 X 5
h5 ’ = X 5 - X 3 X 4 - X 1 X 2

nous pouvons obtenir :

- l’effet de X1 par ½(h1 + h1’) et l’interaction = ½(h1 - h1’)
- l’effet de X2 par ½(h2 + h2’) et l’interaction = ½(h2 - h2’)
- l’effet de X5 par ½(h5 + h5’) et l’interaction = ½(h5 - h5’)

le changement du signe du générateur d’aliase I = X1 X2 X5 conduit aux

contrastes h1’ , h2’ et h3’. Il devient I = - X1 X2 X5 et provient du choix X5
= - X 1 X2
•aliases initiales :
X4 = X1 X2 X3 (inchangé); X5 = - X1 X2

•Générateur indépendant :
I = X 1 X2 X3 X4 ; I = - X1 X2 X5

•Générateur dépendant :
I = - X3 X4 X5

 I = X 1 X2 X 3 X4 ; I = - X1 X2 X5 ; I = - X3 X4 X5

Les contrastes deviennent:

h1’ = X1 - X2 X5
h2 ’ = X 2 - X 1 X 5
h3 ’ = X 3 - X 4 X 5
h4 ’ = X 4 - X 3 X 5
h5 ’ = X 5 - X 3 X 4 - X 1 X 2
h6 ’ = X 2 X 3 + X 1 X 4
h7 ’ = X 1 X 3 + X 2 X 4
h8’ = moy
Ce plan répond à notre objectif de séparation des effets principaux et
interaction du 1er ordre. Il nous permet de tester la validité de nos
hypothèses.

Nous décidons d’exécuter ce plan complémentaire, la matrice des essais du

plan complémentaire se déduit de celle du 1er plan en inversant les signes
de la colonne 5.

X1 X2 X3 X4 X5

1 - - - - -
2 + - - + +
3 - + - + +
4 + + - - -
5 - - + + -
6 + - + - +
7 - + + - +
8 + + + + -
La matrice des effets complémentaire est la suivante :

1 2 3 4 5 6 7 8

-X2X5 -X1X5 -X4X5 -X3X5 -X3X4 X1 X4 X2 X4

-X1X2
X1 X2 X3 X4 X5 X2 X3 X1 X3 I Y

1 - - - - - + + + 12,6
2 + - - + + + - + 24,2
3 - + - + + - + + 17,0
4 + + - - - - - + 17,6
5 - - + + - - - + 13,3
6 + - + - + - + + 23,3
7 - + + - + + - + 18,0
8 + + + + - + - + 17,1
Le calcul des contrastes donne :

h1 ’ = + 2,7
h2 ’ = - 0,5 Vérifions que:
h3’ = 0 h6 ’ = h6
h4 ’ = 0 h7 ’ = h7
h5 ’ = + 2,7 h8 ’ = h8
h6 ’ = + 0,1
h7 ’ = - 0,4
h8 ’ = + 17,9

Exploitation des deux plans:

X1 = ½(h1 + h1’) = 2,7 ; X2 = ½(h2 + h2’) = 0,5

X3 = ½(h3 + h3’) = 0 ; X4 = ½(h4 + h4’) = - 0,25

X5 = ½(h5 + h5’) = 2,05 ; X2X5 = ½(h1 – h1’) = 0

X1X5 = ½(h2 – h2’) = 0 ; X4X5 = ½(h3 – h3’) = 0

X3X5 = ½(h4 – h4’) = - 0,25 ; X1X2 + X3X4 = ½(h5 – h5’) = - 0,65

X1, X2, et X5 sont les trois facteurs influents.
X3, et X4 n’étant pas influent, nous pouvons considérer que
l’interaction X3X4 est négligeable et on peut écrire que :

X1X2 + X3X4 = X1X2 = - 0,65

X1X2 est une interaction significative.

 Représentation graphique :

X2

18 22,1
17 21,2
14,1 17,6
12,8 17,1

X1

17,9 24,2
16,5 23,3
13,3 20,0
12,6 19,5
Chaque sommet du carré, représente quatre résultats qui sont divisé en
deux groupes de deux.
- les deux résultats les plus élevés ont été obtenus avec X5 au niveau +1.
- les deux résultats les moins élevés ont été obtenus avec X5 au niveau -1.

Quand X1 est niveau -1, X2 n’influe pas sur la réponse. Quand X1 est niveau
+1, X2 a une influence sur la réponse. La sensibilité est meilleure quand X2
est niveau -1. Pour améliorer la sensibilité de l’appareil, nous avons donc
intérêt de fixer :

- X5 est niveau +1
- X1 est niveau +1
- X2 est niveau -1

 Résumé :

Nous avons réalisé 16 essais pour conclure cette étude. Ces essais
constituent la moitié du plan factoriel 25.
Les contrastes ont été calculés au moyen de 16 résultats de mesure.
Leur variance est var(h) = var(y)/16.
CHAPITRE III : MODELISATION ET OPTIMISATION

I. MODELISATION
I.1.PRINCIPES GÉNÉRAUX
Les facteurs influents, X1, X2 et … Xk étant connus, nous cherchons à
représenter par une équation mathématique les variations de la réponse Y
en fonction de ces facteurs.
L’interet d’ une telle équation est de :

 permettre de prévoir la réponse dans des conditions opératoire donnée

 servir de point de départ à une étude d’optimisation.

Nous nous intéresserons dans ce cours aux modèles polynomiaux qui sont
les plus utilisés, par exemple :

 le modèle polynomial du 1er degré :

Y = a0 + a1T + a2P

où Y est la réponse, T la température et P est la pression.

 le modèle polynomial du 2ème degré :

Y = a0 + a1T + a2P + a12TP + a11T2 + a22P2
Les coefficients inconnus ai sont déterminés grâce aux essais réalisés, par un
calcul de régression multilinéaire utilisant le critère des moindres carrés.

 Multilinéaire signifie : linéaire par rapport à tous les coefficients.

 On appelle le modèle du 1er degré : linéaire, du 2ème degré : quadratique

et du 3ème degré : cubique.

Le nombre minimal des essais à effectuer est égal au nombre des inconnues
ai .ce nombre augmente rapidement avec le degré du polynôme et k le
nombre de facteurs.

k=2 k=3 k=4 k=5 k=6

1 3 4 5 6 7
2 6 10 15 21 28
3 10 20 35 56 84
4 15 35 70 126 210
 Donc, nous avons intérêt à commencer par étudier les modèles les plus
simples. Le modèle retenu doit être valide : fournir de bonnes estimations
de la réponse là où les expériences ont déjà été faites. Ainsi les prévisions
que nous pourrons faire en d’autres points du domaine seront fiables.

Compte tenu de ces remarques nous proposons la démarche

séquentielle suivante:

1)faire l’hypothèse d’un modèle du 1er ordre.

Si k facteur X1, X2 et … Xk sont susceptibles d’influencer sur une réponse Y

nous devons :

 Réaliser un plan factoriel 2k ou 2k-p, l’exploitation de ce plan fournit les

coefficients du modèle du 1er degré.

Y = a0 + a1 X1 + a2 X2 + ---- + ak Xk

 Tester la validité de ce modèle en déterminant quelques points au

centre du domaine expérimental. C’est au centre que nous avons les
meilleures chances de déceler les écarts de la linéarité.
 Si nous observons une bonne concordance au centre entre les résultats
expérimentaux obtenus et les valeurs prévues par le modèle, nous
déclarons le modèle du 1er degré valide. Si non, nous ferons l’hypothèse
d’une du 2ème degré.

2)chercher un modèle du 2ème degré

Il convient de conserver les essais déjà fait, et de les compléter par des
essais complémentaires tels que l’ensemble constitue un plan optimal : ce
plan est appelé plan composite centré. Il comprend dans le cas de 2
facteurs :
- quatre points du plan factoriel complet 22.
- quatre points en étoile
- n0 points au centre.

L’exploitation du plan composite centré fournit les coefficients du modèle du

2ème degré (quadratique).

Y = a0 + a1 X1 + a2 X2 + --- + ak

+ a12 X1 X2 + a13 X1 X3 + ---

+ a11X1 2 + --- + akkXk2

La validité du modèle doit être testée en comparant les valeurs de Y
données par le modèle aux résultats expérimentaux dont nous disposons.

Si le modèle du 2ème degré ne donne pas satisfaction, nous proposons au

choix et par ordre de préférence :

- transformer les variables (Log, --),

- rechercher d’un modèle non linéaire,
- fragmentation du domaine expérimental.

I.2.MODELE POLYNOMIAL DU 1ER DEGRÉ

I.2.a. plan factoriel

Considérons l’étude suivante :

Y : brillance d’un papier enduit

X1 : vitesse de l’enduction (m/min)

X2 : température de refroidissement (°C)

 X1 X2 Y
1 - - 25
2 + - 29
3 - + 34
4 + + 40

Niveau -1 150 15
Niveau 1 200 5

- effet moyen X1 ; h1 = + 2,5

- effet moyen X2 ; h2 = + 5

- moyenne ym = 32

I.2.b. coefficient du modèle

Les coefficients du modèle linéaire de la forme : Y = a0 + a1 X1 + a2 X2

peuvent être fourni par un programme de régression multilinéaire utilisant
le critère des moindre carrés. Dans le cas particulier de l’exploitation d’un
plan factoriel, ils sont très faciles à obtenir.
Si Y varie linéairement en fonction de X1, nous avons donc dans le plan
X1OY :
Y = a0 + a1 X1

Avec a1 = pente de la droite  joignant le milieu de y1y3 (moyenne des

réponses pour X1 = -1) et au milieu de y2y4 (moyenne des réponses pour
X1 = +1).

a1 = ½[½ (y2 + y4) – ½(y1+ y3)] = ¼(- y1+ y2 – y3 + y4 ) = h1

Donc on a : a1 = h1; a2 = h2 ; et a0 = ym

Y = 32 + 2,5 X1 + 5,0 X2

I.2.c. validité du modèle

Avant d’accepter un modèle, nous devons verifier :

- absence de biais, le modèle doit décrire correctement les variations

de la réponse en fonction des facteurs,

- la signification du modèle. Il doit expliquer l’essentiel des variations

de la réponse.

Cette double vérification s’effectue généralement au moyen des tests

statistiques.
Dans le cas particulier d’un modèle du 1er degré :

- effectuer quelque point au centre,

- vérifier l’absence de biais en comparant la réponse au centre

prévue par le modèle avec les résultats expérimentaux,

- tester la signification de chacun des coefficients du modèle par

un test de student de comparaison à 0.

X1 X1 Y
1 0 0 31
2 0 0 32

Niveau 0 175 10
La brillance observée est Y = ½(31 + 32) = 31,5
La brillance estimée est Y = 32 + 2,5 x 0 + 5 x 0 = 32

Sans l’aide des tests statistiques, le modèle est considéré comme valide et
nous décrirons les variations de Y dans le domaine expérimental exploré
par :
Y = 32 + 2,5 X1 + 5,0 X2
 I.2.d. exploitation du modèle

Nous pouvons calculer la brillance à partir du modèle aux quatre sommets :

X1 = -1 ; X2 = -1 ; Ycal = 24,5 et Yexp = 25
X1 = +1 ; X2 = -1 ; Ycal = 39,5 et Yexp = 40

I.2.e. variables centrées réduites

Pour effectuer les calculs, nous avons remplacé dans l’équation X1 et X2 non
pas par leurs valeurs réelles mais par -1 ou +1 qui sont les valeurs codées.

L’intérêt est de donner à chaque variable la même amplitude de variation et

de permettre de calculer facilement les coefficients du modèle linéaire.
Le passage des variables d’origine A aux variables codées X et inversement,
est donné par la formule suivante :

X = (A – A0)/pas

A0 est la valeur centrale en unité courante.

Le pas est égal à la moitié de la différence entre les valeurs du niveau

haut et du niveau bas des variables d’origines A.

Pas = ½( A+1 - A-1)

Exemple :
Un expérimentateur choisit pour le facteur « vitesse de voiture » 80 Km/h
comme niveau bas et 120 Km/h comme niveau haut. Quelle est, en
variable codée, la valeur de la vitesse de 90 Km/h ?
- calculons le pas :

Pas = ½( A+1 - A-1) = ½(120 – 80) = 20

- calculons A0 :

A0 = ½( A+1 + A-1) = ½(120 + 80) = 100

- Appliquons la relation :

X = (A – A0)/pas = (90 – 100)/20 = - 0,5

Pour cet exemple, la vitesse de 90 Km/h est donc égale à – 0,5 en variables
codées

I.3.MODELE POLYNOMIAL DU 2ÈME DEGRÉ

I.3.a. plan composite centré

Le modèle linéaire étant rejeté, il y a donc des écarts de linéarité et il faut
donc attribuer aux facteurs plus de deux niveaux.

Les essais complémentaires sont représentés sur chaque axe des facteurs
par des points situés à une distance  du centre de domaine (points en
étoile).

L’ensemble des points , NF , N0 et NA constitue:

le plan composite centré.

- NF essais du plan factoriel tel que NF = 2k ou 2k-p

- N0 essais au centre (ceux du plan factoriel et le plan étoile)

- NA Essais en étoile tels que NA = 2k

Ces nouveaux essais (NA) doivent constituer avec les précédents un plan
optimal.

La valeur de  est choisie selon le type d’optimalité requise.

 I.3.b. choix de 

La matrice d’expérience du plan composite s’écrit :

• pour k = 2

X1 X2
- -
+ - NF = 22 = 4
Points du plan
- + factoriel
+ +
0 0
0 0 N0 = 2 + 2 = 4
0 0 Points au centre

0 0
- 0
+ 0 NA = 2 X 2 = 4
Points étoile
0 -
0 +
• pour k = 3
X1 X2 X3
- - -
+ - -
- + -
NF = Points du
+ + -
plan factoriel
- - + Complet 23
+ - +
- + +
+ + +
0 0 0
N0 = 2 + 2 = 4
0 0 0
Points au centre
0 0 0
0 0 0
- 0 0
+ 0 0
0 - 0 NA = 2 X 3 = 6
Points étoile
0 + 0
0 0 -
0 0 +
Le modèle du 2ème degré à deux variables s’écrit :

Y = a0 + a1 X1 + a2 X2 + a12 X1 X2 +a11 X12 + a22 X22

La matrice X correspondant au modèle est la suivante:

cte X1 X2 X1 X2 X12 X22

+ - - + + +
+ + - - + +
+ - + - + +
+ + + + + +
+ 0 0 0 0 0
+ 0 0 0 0 0
+ 0 0 0 0 0
+ 0 0 0 0 0
+ - 0 0 2 0
+ + 0 0 2 0
+ 0 - 0 0 2
+ 0 + 0 0 2
Calculons la matrice X’ X :

12 0 0 0 4 + 22 4 + 22

0 4 + 22 0 0 0 0

4 + 22 0 0 0

4 0 0

4 + 22 4

4 + 22

X’X est une matrice symétrique avec trois éléments de la demi matrice situé
hors de la diagonale sont non nuls. Il n’y a aucune valeur de  qui puisse
rendre cette matrice diagonale.

Le critère d’Hadamard X’X = NI ne peut être satisfait, il faut donc choisir

d’autres critères (Phan Tan Luu).X :
 plan iso variant par rotation :

La valeur de  est choisie pour que la variance de la réponse prévue par le

modèle ne dépende que de la distance au centre du domaine :

 = NF1/4

NF est le nombre de point du plan factoriel. Le plan composite centré doit

compter au poins un point au centre : N0  1.

En augmentant le nombre de points au centre, nous pouvons obtenir deux

types de plans :

-le plan de précision uniforme et

-le plan composite centré orthogonal.

• plan de précision uniforme:

C’est un cas particulier des plans isovarants par rotation où la

variance des prévisions est constante à l’intérieur du domaine exploré. Cette
propriété est assurée par un nombre de points au centre qui dépend du
nombre de facteurs à étudier et de NF.
• plan composite centré orthogonal

Les plans composites centrés ne sont pas orthogonaux, mais on

peut chercher un quasi orthogonalité en fonction de N0.

Le quasi orthogonalité coûte assez cher pour l’expérimentateur. On

choisi généralement l’iso variance par rotation avec 4 essais au centre ou la
précision uniforme

I.3.c. exemple

 Problématique : nous étudions l’influence de deux facteurs sur la

stabilité d’une émulsion de paraffine.

 La réponse : Y est la stabilité.

 Les facteurs : les facteurs retenus pour cette étude sont : X1 la

largeur de l’entrefer ; X2 la vitesse de rotation.

 Le domaine expérimental : on choisi les niveaux hauts et bas de deux

facteurs, ils sont donnés dans le tableau suivant :
Facteurs Niveau -1 Niveau 0 Niveau +1
X1 la largeur de l’entrefer 0,71 1,25 1,79
X2 la vitesse de rotation 643 750 857
 Equation du modèle : la première hypothèse est la recherche du
modèle du 1er degré d’équation :

Y = a0 + a1 X1 + a2 X2

 Le plan choisi : pour cette étude on choisi un plan factoriel à deux

niveaux avec deux facteurs.
 Résultats expérimentaux : La matrice des essais et les résultats
expérimentaux sont comme suit :

X1 X2 Y
1 - - 75
2 + - 71
3 - + 102
4 + + 83
Niveau -1 0,71 643
Niveau +1 1,79 857
 L’exploitation de ce plan :

- Effet moyen de X1 : h1 = - 5,8

- Effet moyen de X2 : h2 = + 9,75

- Moyenne y : y = 82,75

Sous réserve de validité du modèle l’équation qui relie la réponse

aux facteurs s’écrit :

Y = 82,75 – 5,8 X1 + 9,75 X2

 Validité du modèle :

Les résultats des expériences au centre du plan factoriel sont les suivant :

essais X1 X2 Y
5 0 0 76
6 0 0 72
 Sachant que l’incertitude sur une mesure est de  5, nous pouvons
déterminer l’intervalle de confiance à 95 % pour la moyenne de ces
résultats par la formule :

(h  2/N) = 74  2(5/2)(1/2) = 74  3,5 et  = 2

La valeur au centre prévue par le modèle s’obtient pour X1 = 0 et

X2 = 0, on trouve Y = 82,75. Cette valeur n’appartient pas à l’intervalle de
confiance. Le modèle n’est pas valide.
 Recherche d’un modèle du 2ème degré : l’équation s’écrit :

Y = a0 + a1 X1 + a2 X2 + a12 X1 X2 +a11 X12 + a22 X22

Pour réaliser les essais complémentaires il faut déterminer la valeur de .

On choisi un plan composite centré isovariant par rotation qui a comme
caractéristiques :

NF = 22 = 4 ; N0 = 2 + 2 ; NA = 2 x 2 = 4 ; donc  = 1,4

• Les essais complémentaires :

 X1 X2 Y
7 - 0 98
8 + 0 68
9 0 - 74
10 0 + 90
11 0 0 70
12 0 0 75

Niveau -  0,5 600

Niveau 0 1,25 750
Niveau +  2 900

Pour calculer les coefficients du modèle, on utilise un programme de

régression multilinéaire et le critère des moindres carrés pour l’ajustement.
 Cte X1 X2 X1 X2 X1 2 X2 2 Y
+ - - + + + 75
+ + - - + + 71
+ - + - + + 102
+ + + + + + 83
+ 0 0 0 0 0 76
+ 0 0 0 0 0 72
+ - 1,4 0 0 2 0 98
+ + 1,4 0 0 2 0 68
+ 0 - 1,4 0 0 2 74
+ 0 + 1,4 0 0 2 90
+ 0 0 0 0 70
+ 0 0 0 0 75

Y = 73,25 – 8,21 X1 + 7,75 X2 - 3,75 X1 X2 + 4,94 X12+ 4,44 X22

 Validité du modèle quadratique :
Comparons les valeurs obtenues expérimentalement et les valeurs calculées
à partir du modèle.
Y exp Ycal
1 75 79,3 - 4,3
2 71 70,4 + 0,6
3 102 102,3 - 0,3
4 83 78,4 + 4,6
5 76 73,25 + 2,75
6 72 73,25 - 1,25
7 98 94,4 + 3,6
8 68 71,4 - 3,4
9 74 71,1 + 2,9
10 90 92,8 - 2,8
11 70 73 ,25 - 3,25
12 75 73,25 + 1,75
La précision des mesures est :  =  5. On estime acceptable la
concordance entre les valeurs expérimentales et les valeurs calculées par le
modèle.
CHAPITRE II : SIGNIFICATION DES FACTEURS

Les variations des réponses observées au cours de l’exécution d’un plan

factoriel sont dues :

- aux changement de niveaux des facteurs influents de l’étude,

- aux variations aléatoires des facteurs non contrôlés,
- aux erreurs systématiques liées à l’expérience (ex : usure du matériel)

Dans ce chapitre, nous allons essayer de répondre à une question

essentielle : A partir de quelle valeur peut- on dire qu’un effet ou
contraste est significatif ?

Des tests statistiques simples permettent de dire si compte tenu de

l’incertitude sur les valeurs de la réponse, un effet ou contraste est ou non
significativement différent de zéro.
 I. SIGNIFICATIONS DES EFFETS

Les effets étant fonction des résultats de mesures, nous nous intéressons
d’abord à la variance des mesures.

I.1.ESTIMATION DE LA VARIANCE DES MESURES

Nous supposerons dans ce cours que :

- les facteurs non contrôlés fluctuent de façon aléatoire en chaque point i du

domaine expérimental, le résultat de mesure yi est une variable aléatoire.

- Les résultats de mesure aux différents points du domaine sont indépendant

les uns des autres.

De plus, nous admettons que la variance des mesures est la même en tout
point du domaine expérimental.

Var (yi) = var(y) i

S’il n’est pas ainsi, il faudrait trouver une transformation mathématique qui
assure cette propriété.
Exemple :

Au cours d’une étude, la viscosité Y d’un produit varie entre 5000 et

100 000 mm2/s. L’incertitude est égale à 0,05 fois la mesure d’où les
intervalles :
(5000  250) mm2/s et (100 000  5000) mm2/s
Effectuons, le changement de variable  = Log (y), nous obtenons :

- premier intervalle :  = 8,52  0,05

y 4750 5000 5250

 8,47 8,52 8,57

- deuxième intervalle :  = 11,513  0,05

y 95000 100 000 105 000

 11,462 11,513 11,562

L’incertitude de :  est constante, la transformation que nous venons de

faire est appelée « stabilisation de la variance » (N.F.ISO : 5725).
 La fonction logarithme contribue souvent à stabiliser la variance mais ce
n’est pas la seule fonction possible. Pour trouver le changement de variable
:  = F(y) à effectuer, déterminons la fonction f liant l’incertitude (y) à y ;
F(y) est une primitive de 1/f(y). Dans notre exemple :

(y) = 0,05y = f(y) et Log(y) est bien un primitive de 1/f(y) = 1/0,05y

L’expérimentateur se trouve dans l’une des deux situations :

 Mesurer la réponse en utilisant une méthode bien connue qui s’appuie sur la
dispersion des mesures caractérisée par :

- la variance var(y) ou l’écart type  qui s’écrit par : Var(y) = 2

-l’incertitude  , si nous admettons que la distribution des résultats de

mesure est normale et si l’incertitude est donnée au niveau de confiance 95 %,
alors :
 = 2
Var(y) = 2

- la répétabilité r ; la variance est calculée au moyen des relations :

r = 2,8 
Var(y) = 2
 L’expérimentateur souhaite estimer la variance des mesures au cours du
plan :

- parce qu’il ne la connaît pas

- à titre de vérification.

Le plan doit prévoir des répétitions. Nous allons voir sur deux exemples les
deux choix les plus courant.

Exemple 1 : le plan est doublé

Chacune des expériences du plan est réalisée deux fois de façon

indépendante. En chaque point correspondant i du domaine expérimental,
nous avons deux résultats de mesure yi1 et yi2.

La variance des mesures est donnée par l’expression:

si2 =
y i1  
2
 yi  yi 2  yi 
2

1
 En remplaçant yi par sa valeur yi1  yi 2 , on obtient :
 y  y 2

s 2  i1 i 2  i
d 2

2 i
2 2
Chaque estimation si2 est obtenue avec i = 1 degré de liberté (ddl).

Nous obtenons une estimation de la variance Var(y) par

 s  2 s  ...  N s
2 2 2 s 2
i
s2  1 1 2 N
 i 1
 1  2  ...  N N

Application numérique de l’exemple 1

X1 X2 Y Y
Essai 1 -1 -1 172 177
Essai 2 +1 -1 148 142
Essai 3 -1 +1 78 73
Essai 4 +1 +1 170 165
Résultats de l’estimation s2 de la variance :

i di s2i
1 5 12,5
2 6 18,0
3 5 12,5
4 5 12,5

s2 = ¼(12,5 + 18 + 12,5 + 12,5) = 13,9

Exemple 2 : les mesures au centre

Lorsque cela est possible, nous effectuons plusieurs déterminations au

centre du domaine. Le facteur est au niveau 0. Il est plus économique de
faire des expériences au centre que de doubler le plan.

Application numérique de l’exemple 2

Les trois mesures au centre donnent les résultats suivants :

y01 = 64,6 ; y02 = 65,1 ; y03 = 65,5

-la réponse moyenne au centre yo= 65,07

- estimation de la variance des mesures au centre

2
0
1 3
2 i 1

s   y0 i  y0 
2

= ½((64,6 – 65,07)2 + (65,1 – 65,07)2 + (65,5 – 65,07)2) = 0,203

Nous estimons la variance par: s02

I.2.VARIANCE DES EFFETS

Soit un plan complet ou fractionnaire comportant N essais. Appelons y1, y2,

--- yN les valeurs de la réponse pour N essais réalisés.
Chaque effet ou contraste se calcule par :
N

 y i
h i 1

N
Les résultats de mesure sont des variables aléatoires indépendantes
donc h est une variable aléatoire et la variance s’écrit :

N
Var (h)  Var ( yi ) / N 2
i 1

L’hypothèse Var(yi) = Var(y), i nous permet d’écrire :

Var (h) = NVar(y)/N2 = Var(y)/N

I.3.SIGNIFICATION DES CONTRASTES

• test de Student
Connaissant la variance des contrastes, nous pouvons juger de leur
signification par un test de Student. Ce test s’applique à une variable
aléatoire normale. Chaque contraste h étant une moyenne de N résultat de
mesure, avec N = 4 ; 8 ; 16 ; ----.
Nous distinguons deux cas :

1) si la variance 2 des mesures est connue alors : Var(y) = 2

Donc, Var (h) = Var (y) /N = 2/N ;

l’écart type d’un contraste est donné par : (h) = /N et

les bornes de l’intervalle à 95 % pour h sont défini par :

(h  2(h) = h  2/N).

Si cet intervalle contient 0, alors h est jugé non significatif. Il est déclaré
significatif dans le cas contraire avec un risque d’erreur inférieur à 5 %.
Exemple : Considérons 22 le plan suivant :

X1 X2 X1 X2 I Y
- - + + 15
+ - - + 18
- + - + 21
+ + + + 25
On donne  = 0,5

L’exploitation du plan fournit :

h1 = ¼(-15 + 18 – 21 + 25) = 1,75

h2= ¼(-15 - 18 +21 + 25) = 3,25

h12 = ¼(+15 - 18 – 21 + 25) = 0,25

Var(y) = 2 = (0,5)2 = 0,25

Var (h) = 2/N = (0,5)2/4 = 0,25/4 = 0,0625

(h) = 0,5/4 = 0,5/2 =0,25

Pour chaque effet, les bornes de l’intervalle de confiance à 95 % sont :

h  2(h) = h  0,5
 - l’effet de X1 est dans l’intervalle (1,75 – 0,5 ; 1,75 + 0,5) qui ne contient
pas de 0 ; donc l’effet est significatif est vaut : 1,75  0,5 à 95 %.

- l’effet de X2 est dans l’intervalle (3,25 – 0,5 ; 3,25 + 0,5) qui ne contient
pas de 0 ; donc l’effet est significatif est vaut : 3,25  0,5 à 95 %.
- l’interaction X1X2 est dans l’intervalle (0,25 – 0,5 ; 0,25 + 0,5) qui contient
la valeur 0 ; donc l’interaction X1X2 est négligeable.

2) la variance des mesures est estimée par s2 avec  ddl. La variance

des contrastes est estimée par :

s2(h) = s2/N ; donc s (h) = s/N

Les bornes de l’intervalle de confiance à 95 % pour h sont :

h  t0,975 s(h) = h  t0,975s/N

Avec t désignant la variable de Student

La règle de décision est la même que précédemment.
Exemple : soit le plan factoriel complet 22 avec en plus trois points au
centre qui nous donnent : s20 = 0,7.

Nous posons : s2 = 0,7 avec  = 2

s2(h) = s2/N = 0,7/4 = 0,175

s(h) = 0,42

Dans la table de Student, nous lisons t0,975 = 4,3 les bornes de l’intervalle
de confiance à 95 % sont :

h  4,3x0,42 = h  1,8

Nous trouvons que l’effet X2 est significatif, l’effet X1 est à la limite de la

signification et l’interaction X1X2 est négligeable.

Le test de Student donne des résultats très complets. Les deux méthodes
suivantes permettent de juger la signification des contrastes sans connaître
la variance des mesures et sans essais complémentaires.
•La variance des contrastes

Elle n’est plus calculée par la formule Var (h) = Var (y) /N mais estimée au
moyen des interactions d’ordre élevé fournies par un plan complet 2k. Nous
nous intéressons aux interactions à trois facteurs et plus, celles qui sont
presque certainement négligeables. Considérer ces interactions comme
négligeables revient à dire qu’elles font partie d’une population de moyenne
connue égale à 0.

La variance de cette population peut être estimée par :

n

 i
( h  0) 2

 h 2

s2  i 1

i

n n

n désigne le nombre des interactions négligeables que compte le plan

complet

La variance s’écrit encore : s2(h) = s2, nous sommes ramenés au cas

précédant. Nous pouvons poursuivre en utilisant le test de Student pour
statuer sur les interactions du 1er ordre et les facteurs principaux.
•Méthode graphique de Daniel
Daniel propose de tracer la droite de Henry relative aux contrastes.
- les contrastes négligeables qui forment une population normale de
moyenne nulle seront alignés.

- Les contrastes significatifs s’écartent de la droite.

En pratique nous opérons de la manière suivante :

 les valeurs de N contrastes sont triées dans l’ordre croissant et nous
déterminons leur rang

 chaque contraste est représenté par un point sur papier gausso-

arithmétique:

- En abscisse (échelle arithmétique), nous reportons la valeur du

contraste de rang i ;

- en ordonnée (échelle gaussienne), nous reportons la quantité (i –

0,5)/N.

Ce procédé ne peut donner de bon résultat que si la droite de Henry a

été tracée avec un nombre de point suffisant. (Essai 18).
II. ORDRE DES ESSAIS
Nous savons que la valeur d’une réponse ne dépend pas
seulement des facteurs étudiés. Elle est soumise aux fluctuations des
facteurs non contrôlés.

Nous assistons à des changements de niveau de facteurs non

contrôlés et à des phénomènes de dérives qui causent des erreurs
systématiques. Pour la correction de ces erreurs, l’expérimentateur doit
choisir entre plusieurs méthodes selon le type d’erreur qu’il veut corriger.

Ces méthodes consistent toutes à organiser les essais dans un

ordre donné.

II.1.RANDOMISATION

Exemple :

Un fabriquant d’emballage veut étudier l’influence sur la

brillance Y des cartons paraffinés, des facteurs suivants :

X1 : la nature du support cartonné

X2 : la nature de la paraffine
X3 : la température de trempage
Le plan adopté est un plan factoriel complet 23 dont la matrice des effets est
la suivante :

X1 X2 X3 X1 X2 X2 X3 X1 X 3 X1 X2 X3 Moy

Essai1 - - - + + + - +
Essai2 + - - - + - + +
Essai3 - + - - - + + +
Essai4 + + - + - - - +
Essai5 - - + + - - + +
Essai6 + - + - - + - +
Essai7 - + + - + - - +
Essai8 + + + + + - + +

Il est commode de réaliser les expériences dans cet ordre. C’est celui qui
nécessite le moins de manipulation pour chauffer et refroidir le bain de
paraffine. Les essais 1 à 4 peuvent être réalisé dans la même journée et les
essais 5 à 8 le lendemain.
Supposons que l’hygrométrie (% d’humidité) ait brusquement augmenté
pendant la nuit. Dans la colonne 3 les effets de la température et de
l’hygrométrie se trouvent superposés (aliasés). Nous avons donc :

h3 = effet de T de Trempage + effet de l’ l’hygrométrie

Sachant que les cartons sont sensibles à l’humidité, il est clair que ce plan
ne permet pas d’estimer correctement l’effet de la température sur la
brillance des cartons.

Méthode utilisée : la randomisation

Cette méthode consiste à effectuer les essais dans un ordre aléatoire à

l’aide d’une table de nombre au hasard ou par tout autre moyen. De cette
façon, l’erreur systématique est rendue aléatoire. Cette méthode est
largement utilisée.
II.2.TIME COUNTING
Exemple :

Reprenons l’exemple précédent en supposant que :

- l’expérimentateur choisit toujours d’effectuer ses essais dans l’ordre
de la matrice
- l’hygrométrie au lieu de varier brusquement, augmente linéairement
pendant la durée de l’étude.

Soit y1’, y2’, -- les valeurs observés pour la réponse et y1, y2, --- les valeurs
qui seraient obtenues en absence de dérive. Nous pouvons écrire en
appelant e l’erreur systématique introduite par la dérive.

y1 ’ = y 1 ; y2’ = y2 + e; y3’ = y3 + 2e; y4’ = y4 + 3e;

etc…

h1’ = 1/8[-y1 + (y2 + e) – (y3 + 2e) + (y4 + 3e) - …. + (y8 + 7e)]

h1’ = 1/8(-y1 + y2 – y3 + y4 …. + y8 + 4e)

h1’ = h1 + 4/8 e = h1 + 1/2 e

1/2 e : est l’erreur sur le contraste h1

De même pour :
h2’ = h2 + e; h3’ = h3 + 2 e; h4’ = h4 + 0; h5’ = h5 + 0;

h6’ = h6 + 0; h7’ = h7 + 0; h8’ = h8 + 3,5 e

Nous remarquons que nous réalisons les essais dans l’ordre de la matrice,
la dérive affecte la moyenne et les effets principaux mais pas les
interactions. La méthode proposée par le time counting, consiste à
effectuer les essais dans un ordre tels que l’alternance des signes pour X1,
X2 et X3 reproduisent celle des colonnes 4 ;5 ;6 et 7.

Exemple, la première expérience à réaliser pour X1 au niveau +1, X2 au

niveau +1, X3 au niveau -1. cette expérience a le rang 4 dans la matrice du
plan 23.
L’ordre des expériences est le suivant : 4, 7, 6, 1, 5, 2, 3, 8.
En conclusion :

Dans le cas d’une dérive linéaire l’expérimentateur peut :

- confier au hasard le soin de compenser l’erreur systématique
(randomisation)
- choisir le time counting qui lui permet d’annuler complètement l’erreur
sur les effets de son choix.

II.3.LES POINTS AU CENTRE

Les points au centre doivent rester en nombre raisonnable. Par exemple,

pour un plan 23, nous pouvons choisir d’effectuer les essais dans un ordre
donné par le time - counting et nous pouvons compléter ce plan par trois
points au centre placé au début, milieu et à la fin de l’étude.

La matrice des essais est la suivante :

 X1 X2 X3 Y
Essai1 0 0 0 y1 0
Essai2 - - - y2
Essai3 + - - y3
Essai4 - + - y4
Essai5 + + - y5
Essai6 0 0 0 y6 0
Essai7 - - + y7
Essai8 + - + y8
Essai9 - + + y9
Essai10 + + + y10
Essai11 0 0 0 y110
Trois cas se présentent :

Premier cas :

Il n’y a pas de dérive systématique des réponses observées au

centre. Ces valeurs peuvent servir à estimer la variance des mesures.

Deuxième cas :

On observe une dérive des réponses observées au centre

proportionnelle au numéro d’ordre. Si elle est minime et si nous nous
intéressons surtout aux effets principaux nous pouvons ne pas en tenir
compte.

Troisième cas :

La dérive des réponses observées au centre est importante, il existe

des formules pour corriger les résultats.
II. ANALYSE DE LA VARIANCE

Cette méthode s’utilise à la suite d’un plan d’expérience destiné à identifier

les facteurs influents sur la réponse. Ce plan peut être ou non un plan
factoriel

Au cours du plan, la dispersion des valeurs obtenues pour la réponse, est

due aux:
• changements des niveaux des facteurs de l’étude
• fluctuations aléatoires des facteurs non contrôlés

L’objet de l’ANOVA est de décomposer la variance totale de façon à isoler:

• la part des facteurs non contrôlés,
• la part de chacun des facteurs.

Nous pouvons ainsi juger de la signification de ces facteurs : si tous les

coefficients du modèle sont significatifs, ainsi de la signification de la
régression : explique-t-elle en grande partie les variations observées de Y?

La réponse à toutes ces questions passe par un découpage de la variance

totale de y , une analyse de la variance qui se présente sous forme d’ un
tableau d analyse se variance
 Exemple : cas du plan 23 avec 8 essais.

X1 X2 X3 Y
Essai 1 - - - 12,3
Essai 2 + - - 27,4
Essai 3 - + - 21,6
Essai 4 + + - 38,4
Essai 5 - - + 20,1
Essai 6 + - + 35,5
Essai 7 - + + 34,2
Essai 8 + + + 47,5

Nous cherchons un modèle du premier degré tel que:

Y = a0 + a1X1 + a2X2 + a3X3

Avec a0 = 29,625 ; a1 = 7,577 ; a2 = 5,8 ; a3 = 4,7

Le tableau d’analyse de variance regroupe les valeurs de:

- Carrés moyens: la variance due à un facteur bien identifié. Il a pour
expression:
- Facteurs Fexp permet de comparer le carré moyen de chaque facteur à la
variance résiduelle et grâce aux tables de Snedecor on peut conclure de
l’influence significative ou non de chaque facteur.

Pour la signification globale, nous avons : F(4,4) = 6,39 à 95%

La valeur de F donnée dans le tableau est de 1132, soit très supérieure à

6,39. la régression est globalement très significative

Pour la signification individuelle de a0, a1, a2 …. Elle se fait par

comparaison du F obtenu avec F(1,4) = 7,71 à 95%

Tous les coefficients sont très significatifs

Source de Somme des carrés Degré Carré moyen F snedecor
variation Q de s2
liberté
ν

a0 na02 = 7021,125 1 (na02)/1 =7021,125 4012

a1 na12 = 459,287 1 (na12)/1 =459,287 262.44
a2 na22 = 269,12 1 (na22)/1=269,12 153.78
a3 na32 = 176,72 1 (na32)/1=176,72 100.98
ak nak2 1 (nak2)/ddl

regression  nai2= 7926,313 k+1=4 (nai2)/k+1 1132.33

=1981,578

Variance ei2 =yi2-nai2= n-(k+1) (yi2-nai2)/ n-

residuelle 7,007 =4 (k+1) =1,75

Dispersion yi2 = 7933,32 n=8 991.665

totale
Source de Somme des carrés Degré Carré moyen F snedecor
variation de
liberté

a0 na02 = 7021,125 1 (na02)/1 =7021,125

a1 na12 = 459,287 1 (na12)/1 =459,287
a2 na22 = 269,12 1 (na22)/1=269,12
a3 na32 = 176,72 1 (na32)/1=176,72
ak nak2 1 (nak2)/ddl

regression  nai2= 7926,313 k+1=4 (nai2)/k+1

=1981,578

Variance ei2 =yi2-nai2= n-(k+1) (yi2-nai2)/ n-

residuelle 7,007 =4 (k+1) =1,75

Dispersion yi2 = 7933,32 n=8

totale