Académique Documents
Professionnel Documents
Culture Documents
************************
Projet 1 :
Partie 1 :
1) Pour le choix du type de plan d’expérience que pourrait prendre Ludivico on élimine déjà le plan
pour les surfaces de réponses parce qu’il s’agit de seulement de voir les effets des facteurs, on
élimine aussi le plan factoriel complet parce qu’il ne pourra faire que 8 essais. Il choisira alors le
plan factoriel fractionnaire selon le modèle 2k-p avec k = 4 et p = 1 avec 23 = 8 essais.
On prendra :
A = Farine
B = Eau
C = Levure
D = Temps de malaxage
I A B C AB AC BC ABC
1 1 1 1 1 1 1 1
1 1 1 -1 1 -1 -1 -1
1 1 -1 1 -1 1 -1 -1
1 1 -1 -1 -1 -1 1 1
1 -1 1 1 -1 -1 1 -1
1 -1 1 -1 -1 1 -1 1
1 -1 -1 1 1 -1 -1 1
1 -1 -1 -1 1 1 1 -1
Donnons la liste des confusions
DD = ABCD , I = ABCD
3) Les plans fractionnaires impliquent une réduction du nombre d'essais expérimentaux, ce qui
peut entraîner une perte d'information sur les interactions complexes entre les variables dans
notre cas le nombre d’essais initiaux a été divisé par 2 d’où le manque de précision de ce modèle
pour une étude complète.
4) Code du modèle
library(FrF2)
summary(plan1)
Y = c(220, 215, 300, 305, 200, 195, 307, 305, 140, 145, 275, 280, 138, 149, 280, 269)
robert = data.frame(plan1,Y)
summary(anova)
Interprétation:
A travers ces résultats on peut voir que seul l’eau et le temps de malaxage sont significatifs avec des
valeurs de coefficients inférieurs à 5%.
Partie 2:
5) Pour le choix d’un plan optimal avec 2 facteurs significatifs on préconisera le Central Composite
Design qui serait parfait pour notre étude. Le CCD est souvent utilisé lorsque les ressources sont
limitées car il fournit une bonne couverture de l'espace expérimental avec un nombre
relativement faible d'essais par rapport à un plan factoriel complet.
N = 2n + 2n + nc
n : le nombre de facteurs.
N = 22 + 2*2 + 2*2 = 16
A noter que n doit être choisit par l’expérimentateur dans notre cas on a pris nc= 4 . Il devra alors
réaliser 16 expériences.
6) et 7) Visualisation du code
library(rsm)
library(FrF2)
plan
Data are stored in coded form using these coding formulas ...
x1 ~ (eau - 265)/15
x2 ~ (temps - 7.5)/2.5
Donc Mamadou devra réaliser :
library(rsm)
library(FrF2)
plan
Y<-c (220, 100, 300, 180, 160, 120, 150, 140, 274, 105, 113,
plan.rsm<-rsm(Y~SO(x1,x2),data = plan)
summary(plan.rsm)
Résultats du code :
Multiple R-squared: 0.9461, Adjusted R-squared: 0.9192
F-statistic: 35.12 on 5 and 10 DF, p-value: 4.975e-06
Response: Y
Df Sum Sq Mean Sq F value Pr(>F)
FO(x1, x2) 2 41465 20732.4 72.9854 1.083e-06
TWI(x1, x2) 1 0 0.0 0.0000 1.000000
PQ(x1, x2) 2 8410 4205.1 14.8035 0.001026
Residuals 10 2841 284.1
Lack of fit 3 841 280.2 0.9807 0.454554
Pure error 7 2000 285.7
Eigenanalysis:
eigen() decomposition
$values
[1] 27.375 17.375
$vectors
[,1] [,2]
x1 -1.000000e+00 1.012124e-15
x2 -1.012124e-15 -1.000000e+00
9) Donnez le graphe des effets directs et des interactions entre les facteurs
Interprétation:
R-squared = 0.9192 : Proche de 1 on peut en déduire que notre modèle est bien ajusté
F = 35.12 avec une p-value associée à F P = 4.975e-06 qui est très petit témoignant de l’adéquation
de notre modèle.
Response: Y
Df Sum Sq Mean Sq F value Pr(>F)
FO(x1, x2) 2 41465 20732.4 72.9854 1.083e-06
TWI(x1, x2) 1 0 0.0 0.0000 1.000000
PQ(x1, x2) 2 8410 4205.1 14.8035 0.001026
Residuals 10 2841 284.1
Lack of fit 3 841 280.2 0.9807 0.454554
Pure error 7 2000 285.7
D’après cette réponse on peut voir que seuls l’effet FO(x1, x2) et le terme quadratique PQ(x1, x2)
sont significatifs avec des valeurs de Pr(>F) < 5%. On peut alors éliminer les autres interactions de
notre modèle.
Les valeurs de paramètre permettant d’avoir la pate la moins collante possible sont données par :
Stationary point in original units:
eau temps
281.404181 4.624046
Pour l’eau on a une valeur optimale de 281,404181 ml et une valeur de 4.624046 minutes pour le
temps de malaxage.
10) Pour déterminer si c’est une minimisation ou une maximisation on se base sur :
Eigenanalysis:
eigen() decomposition
$values
[1] 27.375 17.375
Ces 2 valeurs de l’Eigenanalysis sont positives on peut alors en déduire qu’il s’agit d’une
minimisation.
Projet 2 :
Partie 1 :
1) Pour analyser les résultats d'un tel plan, nous pouvons utiliser un modèle linéaire qui explique la
note d'appréciation du chocolat en fonction du pourcentage de cacao et de l'année de récolte.
Le modèle peut être écrit comme suit :
Avec
β0 est l'intercept,
β1 est le coefficient associé au pourcentage de cacao,
2) Pour le choix du modèle on optera pour un CCD au lieu du BBD car ce dernier est beaucoup plus
efficace pour 3 facteurs alors qu’on en a que 2 dans notre cas . Le nombre d’essais sera donnée par la
formule :
N = 2n + 2n + nc
n : le nombre de facteurs.
AN : N = 22 + 2*2 + 8 = 16 essais A noter que le nombre de répétitions du point au centre doit être
donné par l’expérimentateur.
library(rsm)
library(FrF2)
plan3
Response: Y
Df Sum Sq Mean Sq F value Pr(>F)
FO(x1, x2) 2 3.5104 1.75521 24.5626 0.0001384
TWI(x1, x2) 1 0.0400 0.04000 0.5598 0.4715843
PQ(x1, x2) 2 0.0325 0.01625 0.2274 0.8006072
Residuals 10 0.7146 0.07146
Lack of fit 3 0.1558 0.05195 0.6508 0.6071993
Pure error 7 0.5588 0.07982
Interprétation:
A travers ces réponses on peut voir que seuls les facteurs pourcentage de cacao l’intercept et
l’année de récolte sans interactions ou termes quadratiques sont significatifs avec des valeurs de p-
value associée à la statistique de student (surligné en jaune comme on peut le voir ci-dessus) sont
inférieurs à <5% ;
On peut alors négliger les interactions entre les facteurs ainsi que les termes quadratiques, nous
pourrons alors en conclure que notre modèle de base n’est plus digne de confiance. Nous devrons
alors revoir l’équation de notre modèle pour éliminer les termes et interactions non significatives.
NB : Mais comme on peut le voir ce couple n’est pas dans le domaine des valeurs de l’exercice ce qui
pourrait être dû à une erreur dans les valeurs de Y. A première vue le couple obtenu est
inconcevable parce qu’il serait inutilisable pour l’industriel en question.
Il s’agit bien d’un point selle car on a une valeur positive et une valeur négative dans le Eigenanalysis.
8) Les valeurs obtenues dans la question précédente ne nous permettent pas d’aider l’industriel
dans sa vocation de maximiser son étude il faudra alors revoir les Y et voir comment refaire le
travail proprement.