Académique Documents
Professionnel Documents
Culture Documents
I-Introduction
Les plans d’expériences permettent d’organiser au mieux les essais qui accompagnent une
recherche scientifique ou des études industrielles. Ils sont applicables à de nombreuses
disciplines et à toutes les industries à partir du moment où l’on cherche le lien qui existe entre
une grandeur d’intérêt « y » et des variables « xi ». L’utilisation des plans d’expériences
permet d’obtenir un maximum de renseignements avec un minimum d’expériences. Pour cela,
il faut suivre des règles mathématiques et adopter une démarche rigoureuse. Il existe de
nombreux plans d’expériences adaptés à tous les cas rencontrés par un expérimentateur. Nous
aborderons dans ce cours, la modélisation d’une réponse par la méthode de planification des
expériences dans le cas des plans factoriels complets à deux niveaux et le plan composite
centré.
I-1 Les objectifs de plans d’expériences
Ils sont applicables à de nombreuses disciplines et à toutes les industries à partir du moment
où l’on cherche le lien qui existe entre une grandeur d’intérêt « y » et des variables « xi ».
Les facteurs contrôlés : Paramètres mesurables et réglables
Paramètres xi Système
Réponse y
1
- Le prix du produit chimique dépend de la qualité des matières premières, des rendements
des unités de production, des spécifications imposées, des conditions de fabrication …etc.
-Le rendement en blé qui est fonction de la nature du terrain, de la quantité d’engrais
incorporé, de l’exposition au soleil, du climat, de la variété de blé ensemencé, etc.
II-1-1 Les différents types de facteurs
La construction des plans et l’interprétation des résultats dépendent en grande partie des types
de facteurs rencontrés dans l’étude. On distingue plusieurs types de facteurs : les facteurs
continus, les facteurs discrets, les facteurs ordonnables, les facteurs booléens.
a -Facteurs continus
La pression est un exemple de facteur continu. Dans un intervalle de pression donné, on peut
choisir toutes les valeurs possibles. Il en est de même d’une longueur, d’une concentration ou
d’une température. Les valeurs prises par les facteurs continus sont donc représentées par des
nombres continus.
b- Facteurs discrets
Au contraire, les facteurs discrets ne peuvent prendre que des valeurs particulières. Ces
valeurs ne sont pas forcément numériques : on peut représenter un facteur discret par un nom,
une lettre, une propriété ou même par un nombre qui n’a alors en soi aucune valeur numérique
mais qu’une signification de repère. Par exemple, on peut s’intéresser aux couleurs d’un
produit : bleu, rouge et jaune sont des facteurs discrets.
c-Facteurs ordonnables
Il s’agit de facteurs discrets que l’on peut mettre dans un ordre logique. Par exemple, grand,
moyen, petit, ou encore premier, deuxième, troisième et quatrième.
d- Facteurs booléens
Les facteurs booléens sont des facteurs discrets qui ne peuvent prendre que deux
valeurs : haut ou bas, ouvert ou fermé, blanc ou noir, etc.
II-2 Modélisation
On peut écrire que la grandeur d’intérêt (réponses « y ») Sous une forme mathématique en
fonction des facteurs (xi) par :
(1)
où est une fonction inconnue (modèle théorique) des facteurs influents contrôlés
.
II-3 Optimisation
2
Recherches des conditions expérimentales qui donnent le meilleur résultat.
Conclusion
La compréhension de la méthode des plans d’expériences s’appuie sur deux notions
essentielles celles d’espace expérimentale et celle de modélisation mathématique des
grandeurs étudiées.
III- Espace expérimental
Pour présenter l’espace expérimental nous utiliserons un espace à deux dimensions, ce qui
facilitera les représentations graphiques. Il est ensuite facile d’étendre les notions introduites à
des espaces multidimensionnels.
Un facteur continu peut être représenté par un axe gradué et orienté. S’il y a un
second facteur continu, il est représenté, lui aussi, par un axe gradué et orienté.
Ce second axe est disposé orthogonalement au premier. On obtient ainsi un
repère cartésien qui définit un espace euclidien à deux dimensions. Cet espace
est appelé l’espace expérimental (figure 1). L’espace expérimental comprend tous les points
du plan « facteur 1 × facteur 2 » et chacun d’eux représente une expérience.
Espace experimental
Facteur 2
Facteur 1
Figure 1 – Chaque facteur est représenté par un axe gradué et orienté. Les axes des facteurs
sont orthogonaux entre eux. L’espace ainsi défini est l’espace expérimental.
III-1 Domaine d’un facteur
La valeur donnée à un facteur pour réaliser une expérience est appelée niveau.
3
Lorsqu’on étudie l’influence d’un facteur, en général, on limite ses variations entre deux
bornes. La borne inférieure est le niveau bas. La borne supérieure est le niveau haut. Si l’on
étudie l’influence de la vitesse du véhicule sur la consommation, celle-ci peut varier, par
exemple, entre 80 et 120 km/h. La vitesse de 80 km/h est le niveau bas et la vitesse de 120
km/h est le niveau haut. C’est l’expérimentateur qui définit ces deux niveaux en fonction des
spécificités de l’étude. L’ensemble de toutes les valeurs que peut prendre le facteur entre le
niveau bas et le niveau haut, s’appelle le domaine de variation du facteur ou plus simplement
le domaine du facteur.
Donc un plan d’expérience est représenté par un ensemble des points expérimentaux.
Figure 3 –Les niveaux des facteurs définissent des points expérimentaux. Dans l’espace
expérimental
4
Le regroupement des domaines des facteurs définit le domaine d’étude qui est la zone où
l’expérimentateur sélectionne une partie de l’espace expérimental pour réaliser ses essais.
III-3 Domaine d’étude
Le domaine d’étude est défini par les niveaux hauts et les niveaux bas de tous les facteurs et
éventuellement par des contraintes entre les facteurs.
Example : Supposons que le second facteur soit la surcharge du véhicule définie comme toute
masse supplémentaire à celle du véhicule et du chauffeur. Le niveau bas de la surcharge est 0
kg et le niveau haut 300 kg, par exemple. S’il n’y a pas de contraintes, le domaine d’étude est
représenté par tous les points dont les surcharges sont comprises entre 0 et 300 kg et dont les
vitesses sont comprises entre 80 et 120 km/h.
5
Figure 5 – Le domaine d’étude sous contraintes est représenté par la partie grisée.
IV -1 Facteurs. Plan 2k
Ce sont les plus utilisés car les plus simples et les plus rapides à mettre en œuvre. Ils sont
notés 2k où le 2 correspond aux niveaux maximal et minimal qui délimitent le domaine
d’étude d’un facteur et k est le nombre de facteurs étudiés. Pour un plan factoriel complet à k
facteurs, il va donc falloir mener 2k expériences.
IV -2 Example d’un plan à deux niveau (k=2) si dans l'étude d'un process la température
doit intervenir, on peut décider de ne travailler qu'avec une température de 20 oC puis de 60oC.
On dira alors que le niveau bas du facteur température est 20 oC et le niveau haut est 60oC ; le
domaine expérimental de la température sera 20oC-60oC.
20oC 60oC
Domaine de la
température
-1 +1
(2)
6
(3)
où :
est la réponse,
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 et la réponse en ce point a pour valeur y0. En remplace
la valeur 0 dans La relation (3) on trouve :
(4)
7
Figure 5 Le coefficient constant a pour valeur la réponse au centre du domaine d’étude
IV -4 Signification du coefficient du facteur 1
Considérons les deux points B et D qui se trouvent au niveau haut du facteur 1.
Les coordonnées de ces points sont, en unités codées :
La réponse au point B est y2, réponse que l’on peut écrire en remplaçant les niveaux par leurs
valeurs en unités codées :
y2 = a0 + a1*(+1) + a2*(–1) + a12*(+1)*(–1) = a0 + a1 – a2 – a12
La réponse au point D est y4, que l’on peut écrire en remplaçant les niveaux par
leurs valeurs en unités codées :
y4 = a0 + a1*(+1) + a2*(+1) + a12*(+1)*(+1) = a0 + a1 + a2 + a12
Additionnons les deux réponses y2 et y4 :
y2 + y4 = 2(a0 + a1)
Faisons le même calcul pour les points A et C qui se trouvent au niveau bas du
facteur 1 et où les réponses sont respectivement y1 et y3. On obtient :
y1 + y3 = 2(+a0 – a1)
8
Si on soustrait ces deux dernières relations, on a :
4a1 = –y1 + y2 –y3 + y4
relation que l’on peut écrire :*
(5)
(6)
Le coefficient a1 est donc la demi-différence entre la moyenne des réponses au niveau haut du
facteur 1 et la moyenne des réponses au niveau bas du même facteur 1. Quand on passe du
niveau bas au niveau haut, la réponse varie, en moyenne, comme la différence. Si cette
différence est grande, la réponse varie beaucoup, si cette différence est faible, la réponse varie
peu. On a donc là un moyen de savoir comment la réponse varie en fonction du facteur 1.
C’est la raison pour laquelle on appelle le coefficient a1 l’effet du facteur 1.
IV -5 Signification du coefficient du facteur 2
De la même manière, on montre que le coefficient a2 est égal à la variation
moyenne de la réponse quand le facteur 2 passe du niveau zéro au niveau haut. Il
représente l’influence du facteur 2 dans le domaine d’étude. On l’appelle « effet du facteur 2
».
D’une manière générale, quand le modèle choisi est un polynôme, les coefficients des termes
du premier degré sont les effets des facteurs.
IV -6 Matrice d'expériences
La matrice d'expériences est le tableau qui indique le nombre d'expériences à réaliser avec la
façon de faire varier les facteurs et l'ordre dans lequel il faut réaliser les expériences. Ce
tableau est donc composé de +1 et de -1. Soit, par exemple, la matrice d'expériences suivante :
Exp X1 X2
9
1 -1 -1
2 +1 -1
3 -1 +1
4 +1 +1
1 -1 y1
2 +1 y2
On appelle effet global d'un facteur (sous-entendu : sur la réponse) la variation de la réponse
quand le facteur passe du niveau -1 au niveau +1.
On appelle effet moyen d'un facteur (sous-entendu : sur la réponse) la demi-variation de la
réponse quand le facteur passe du niveau 0 au niveau +1. Ainsi, l'effet moyen est défini comme
étant la moitié de l'effet global.
IV -7 -2 Deux facteurs
L’effet d’un facteur « A » sur la réponse « y » s’obtient en comparant les valeurs prises par «
y » quand A passe du niveau (-1) au niveau (+1). Soient y1 et y2 ces valeurs (Figure 6).
Nous distinguons :
-L’effet global par (y2 - y1)
- L’effet moyen par (y2 – y1)/2
10
Figure 6 – Illustration de l’effet du facteur 1
(7)
Le coefficient a12 est appelé l’interaction entre les facteurs 1 et 2.
11
Figure 7 – Illustration d’une interaction entre deux facteurs
12
Ces deux modifications entraînent l’introduction de nouvelles variables que l’on
appelle variables centrées réduites (v.c.r) : centrées pour indiquer le changement
d’origine et réduites pour signaler la nouvelle unité. On utilise également le terme de variables
codées ou d’unités codées.
Le passage des variables d’origine A aux variables codées x, et inversement, est donné par la
formule suivante
V - La régression
la régression recouvre plusieurs méthodes d’analyse statistique permettant d’approcher une
variable à partir d’autres qui lui sont corrélées. Par extension, le terme est aussi utilisé pour
certaines méthodes d’ajustement de courbe.
On note Y la variable aléatoire réelle à expliquer (variable endogène, dépendante
ou réponse) et X la variable explicative ou effet fixe (exogène). Le
modèle revient à supposer, qu’en moyenne, E(Y ), est une fonction affine de
X. L’écriture du modèle suppose implicitement une notion préalable de causalité
13
dans le sens où Y dépend de X car le modèle n’est pas symétrique.
avec
ou bien
Ou bien
14
S’appelle le résidu de l'observation i. C'est l'écart entre la valeur de Y observée
sur l'individu
- la somme des carrés des résidus est . Elle mesure la distance de la droite de
régression aux points du nuage de points qui est minimale au sens des moindres carrés.
- La statistique σˆ2 = SCR/(n − 2) est un estimateur sans biais de σ2.
15
Ainsi, la variation totale des observations yi autour de leur moyenne y,
16
Cette matrice est appelée matrice des variables indépendantes.
Soit Y le vecteur des observations :
– la matrice d’information
– la matrice de dispersion
17
L’erreur totale est la somme de ces deux types d’erreur.
VI -2 Moyenne
Par définition, la moyenne arithmétique d’un ensemble de valeurs est la somme de toutes les
valeurs divisées par le nombre de valeurs. Ici, la moyenne arithmétique est égale à :
Soit
VI -3 Variance
la variance est une mesure de la dispersion des valeurs d'un échantillon ou d'une distribution
de probabilité. Elle exprime la moyenne des carrés des écarts à la moyenne, aussi égale à la
différence entre la moyenne des carrés des valeurs de la variable et le carré de la moyenne.
Ainsi, plus l'écart à la moyenne est grand plus il est prépondérant dans le calcul total
La variance est toujours positive, et ne s’annule que si les valeurs sont toutes égales. Sa racine
VI -4 Écart-type
l’écart-type est une mesure de la dispersion des valeurs d'un échantillon statistique ou d'une
distribution de probabilité. Il est défini comme la racine carrée de la variance ou, de manière
équivalente, comme la moyenne quadratique des écarts par rapport à la moyenne.
18
Exemple :
VI -5 Degrés de liberté
Soit n réponses mesurées indépendamment les unes des autres. Il n’existe pas de relation
mathématique entre elles. Les n écarts à la moyenne correspondants ne sont pas indépendants.
En effet, il existe une relation mathématique entre ces écarts. Quand on en connaît n − 1, on
peut calculer le dernier avec la relation mathématique. Par exemple, reprenons les quatre
19
où est le nombre d'expériences réalisées et le nombre de coefficients du modèle.
Dans ces conditions, on peut montrer que tous les effets ont la même variance donnée par :
où est le nombre d'expériences réalisées. Cela apporte une grande simplification au niveau
des calculs.
ATTENTION
Si l'on réalise un plan complet et que l'on calcule tous les effets, le calcul de s 2 est impossible
puisque alors n = p (un plan complet 2 3 conduit à 8 expériences et 8 effets : 3 effets pour les
facteurs, 3 effets pour les interactions d'ordre 2 et enfin 1 effet pour l'interaction d'ordre 3).
C'est pour cela que, dans la pratique, il est d'usage de négliger les interactions d'ordre élevé (3
ou plus). C'est souvent le contexte et la connaissance de lois régissant le phénomène étudié
qui permet de négliger certaines interactions et donc de pouvoir conduire des calculs
statistiques.
Si néanmoins on veut travailler avec tous les effets, une méthode efficace pour déterminer
est la méthode dite des (mesures au centre). On effectue alors plusieurs mesures au centre du
domaine (tous les facteurs sont réglés à 0) et on détermine à partir des résultats sur ces
( points au centre).
Réalisation du test de signification des effets.
Le test utilisé est le test " t"de Student. Un effet sera dit significatif (c'est-à-dire que la
variable ou l'interaction qui lui est associée a une influence sur la réponse), s'il est, pour un
risque donné, significativement différent de 0. On testera donc l'hypothèse :
20
Niveau bas : -1 Niveau haut :+1
1 -1 -1 60
2 +1 -1 65
3 -1 +1 75
4 +1 +1 85
1 +1 -1 -1 60
2 +1 +1 -1 65
3 +1 -1 +1 75
4 +1 +1 +1 85
Diviseur 4 4 4
le modèle s'écrit :
Y = 71, 25 + 3, 75T + 8, 75P
Test de signification des coefficients
Exp Moy T P Y (%) Yest ei e i2
On cherche à tester la non influence d'une variable sur la réponse. On choisit un risque de 5
%.
21
La variance des résidus est :
La variance commune des estimateurs des coefficients du modèle est :
variance commune des effets. On choisit alors un risque a et on détermine avec table de
Student le nombre t(). L'intervalle de confiance d'un effet ai est alors donné par :
[ai - t()si ; ai + t()si]
Exemple.
Considérons le plan d'expérience 23suivant dans lequel on néglige l'interaction d'ordre 3.
22
X1 X2 X3 X1X2 X1X3 X2X3 Y
-1 -1 -1 +1 +1 +1 5,2
+1 -1 -1 -1 -1 -1 4,7
-1 +1 -1 -1 +1 +1 5,1
+1 +1 -1 +1 -1 -1 5,5
-1 -1 +1 +1 -1 -1 4,9
+1 -1 +1 -1 +1 -1 4,6
-1 +1 +1 -1 -1 +1 4,8
+1 +1 +1 +1 +1 +1 5,3
Le calcul des effets se faisant comme il a été dit plus haut, on obtient le modèle :
Y = 5,0125 + 0,0125X1 + 0,1625X2 - 0,1125X3 +0,2125X1X2 + 0,0375X1X3 - 0,0125X2X3
Avant de déterminer les intervalles de confiance des effets, regardons leur significativité. Pour
cela, déterminons les résidus et la variance commune de ceux-ci.
Yi observés Yi estimés ei e²i
23
si
Par exemple, pour le coefficient de la variable X1 on obtient
0,1625 =13
t1 =
0,0125
La table de Student donne pour un risque et = n - p = 8 - 7 =1 , t crit(0,05 ; 1) =
12,71.
Un effet sera donc significatif au risque de 5% s'il son "t i" et supérieur à 12,71. On obtient le
tableau suivant.
Variable effet t Résultat
Ce tableau montre que seul la variable X2 et l'interaction X1X2 sont significatives. Il faudrait
donc retenir un modèle de la forme :
Y = 5,0125 + 0,1625 X2 +0,2125 X1X2
Nous déterminerons un intervalle de confiance, au risque de 5%, pour les coefficients a 2 et a12.
Rappelons que cet intervalle se calcule avec :
[ai - t()si ; ai + t()si] = [ai - 12,71*0,0125 ; ai + 12,71*0,0125]
coefficient k Borne inférieure estimateur de k Borne supérieure
Remarque importante.
Cherchons l'intervalle de confiance d'un effet non significatif, par exemple a1. On obtient :
[0,125-12,71*0,0125 ; 1,125+12,71*0,0125] = [-0,1469 ; 0,1717]
On constate que 0 est dans cet intervalle de confiance, ce qui montre bien que le coefficient
n'est pas significativement différent de 0 au risque de 5%.
Analyse de la variance. Validation du modèle linéaire.
L'analyse de la variance consiste à comparer à l'aide d'un test F la somme des carrés des écarts
due uniquement à la régression (donc au modèle), avec la somme des carrés des résidus.
Précisons ces notions en introduisant un vocabulaire spécifique à l'analyse de variance.
24
On notera par la suite Yi les réponses observées lors de la réalisation des expériences et Y iest la
réponse estimée à l'aide du modèle linéaire. On notera, de même, Y moy la moyenne des
réponses.
On définit alors trois types de "variations"
1- La variation due à la liaison linéaire :
SCEL = ( Yiest - Ymoy )²
Le test F permet alors de comparer pour un risque fixé à l'avance le F obs que l'on a calculé dans
le tableau précédent avec un F(critique) lu dans la table de Fisher-Snedecor avec (p-1) et (n -
p) degrés de liberté.
25
Si Fobs est supérieur au F(critique), on accepte l'hypothèse H1 avec la confiance 1- .
Reprenons l'exemple du paragraphe 5.2.2 en considérant tous les effets, ceux des variables et
ceux des interactions d'ordre 2. On obtient le tableau d'analyse de variance suivant :
Variation due à Somme des carrés DDL Carré moyen F
26
ou
Lorsque l’échantillon est d’étendue assez faible, il est nécessaire d’apporter une correction
pour l’erreur systématique. L’estimation de la force de la liaison par le coefficient de
corrélation multiple est d’autant plus exagérée que le nombre de degrés de liberté de
l’échantillon La formule de correction est :
le test t de Student :
Le test utilisé est le test « t de Student ». Un effet sera dit significatif (c'est-à-dire que la
variable ou l'interaction qui lui est associée a une influence sur la réponse), s'il est, pour un
risque donné, significativement différent de 0. On testera donc l'hypothèse :
27
,
On utilise alors une table de Student à = n - p degrés de liberté (n est le nombre
d'expériences réalisées et p le nombre d'effets y compris la constante).On choisit un risque de
première espèce (le plus souvent 5% ou 1%) et on lit dans cette table de Student la
Si l'hypothèse H0 est acceptée, cela veut dire que l'effet en question n'est pas, au risque
significativement différent de 0 et donc que la variable qui lui est associée n'a pas d'influence
sur la réponse.
99 % ;( risque)
– de la qualité de l’écart-type calculé.
Dans le cas des plans d’expériences, il est rare que n soit élevé. On a, le plus souvent, réalisé
quelques mesures de la réponse au même point d’expériences, en général au centre du
28
domaine expérimental. Il s’agit de répétitions, c’est-à-dire de mesures réalisées dans les
mêmes conditions expérimentales. Supposons que l’écart-type ait été obtenu avec 5 mesures
de répétition et que l’on souhaite une probabilité de 95 %. Dans ce cas, si l’on effectue une
mesure yi, on aura 95 % de chances que l’intervalle yi ± 2,78s contienne la moyenne de la
population. Avec 10 mesures de répétition pour le calcul de l’écart-type, on pourra dire que
l’on a 95 % de chances que l’intervalle yi ± 2,26 s contienne la moyenne de la population.
avec un écart type observé sur un échantillon de taille est donné par
C’est la valeur trouvée dans le tableau t student . Le graphique suivant illustre la notion de
) et df =8 ( )
29
La comparaison des variances nous permis de vérifier l'homoscédasticité pour cela on calcule
numérateur donc
On met arbitrairement la plus grande variance au .
le choix arbitraire est mis selon une condition unilatérale pour cela on utilise la table F a
2.5% pour avoir un risque de 5%.
en utilisant la méthode des moindres carrés c’est-à-dire en minimisant la somme des carrés
des écarts. Dans ce cas, les réponses calculées s’écrivent et les écarts prennent des
valeurs particulières qui s’appellent les résidus. Les résidus sont donc des valeurs
particulières des écarts. On a :
L’analyse classique de la variance fait intervenir non pas les réponses mais la différence entre
les réponses et leur moyenne ou Cette différence est désignée soit par
écarts à la moyenne, soit par réponse corrigée de la moyenne. Dans le cas des réponses
calculées, on parle aussi de modèle corrigé de la moyenne. Dans le cadre de la méthode des
moindres carrés, la moyenne des réponses mesurées est égale à la moyenne des réponses
30
C’est la relation de base de l’analyse de la variance. Le membre de gauche est la somme des
carrés des écarts à la moyenne des réponses mesurées. Cette somme se décompose en deux
éléments : la somme des carrés des écarts à la moyenne des réponses calculées avec le modèle
et la somme des carrés des résidus. La somme des carrés des résidus est la plus faible valeur
de la somme des carrés des écarts. On a donc :
Si l’on divise la somme des carrés des résidus par le nombre de degrés de liberté des résidus,
on obtient la variance des résidus. La variance des résidus est donc la plus petite
Degrés de liberté
C’est cette valeur minimale de la variance des écarts qui est généralement adoptée comme
étalon de comparaison pour évaluer l’importance d’un coefficient. La variance des
coefficients est alors calculée :
– soit par la formule générale utilisée par les ordinateurs :
– soit par la formule simplifiée lorsqu’il s’agit de plans factoriels et d’un modèle postulé
polynomial :
En résumé, la variance des résidus de l’analyse de la variance sert à calculer la variance des
coefficients. C’est la variance des coefficients qui sert d’étalon pour tester si un coefficient est
significatif ou non.
L'hypothèse nulle
L'hypothèse alternative.
VIII-5 Décomposition de la variance
Le principe de l’ANOVA est de comparer la variation intergroupe à la variation intragroupe.
-L’intergroupe est la variation au sein d’un groupe
- L’intragroupe représente les écarts qui existent dans d’un échantillon qui appartient au
même groupe (femmes ou hommes).
La variation totale par rapport aux réponses s’écrit :
32
La variation intergroupe s’écrit :
Pour faire le test ANOVA il faut calculer le Test de Fisher « F » donné par la formule
suivante :
33
6.2 Loi de composition interne dans l'ensemble des colonnes des matrices d'expériences
Nous avons déjà vu au chapitre précédent que les colonnes des interactions de plusieurs
variables se fabriquaient par produit ligne à ligne de ces colonnes. Nous allons développer
cette notion en remarquant que la matrice des effets, pour un plan d'expériences, a des
colonnes qui ne sont constituées que de +1 et de -1. Soit E le sous ensemble de IR n composé
de vecteurs dont les composantes dans la base canonique ne sont que des +1 ou des -1.
L'égalité des vecteurs de IRn induit l'égalité des vecteurs de E. On définit une multiplication
dans E de la manière suivante. Le produit de deux vecteurs de E est un vecteur de E dont les
composantes dans la base canonique sont les produit des composantes de même rang.
1 +1 -1 -1 +1
2 +1 +1 -1 -1
3 +1 -1 +1 -1
4 +1 +1 -1 +1
Comme nous devons placer le troisième facteur C, nous le plaçons dans la colonne de
l'interaction AB. Ainsi, la matrice d'expérience du plan fractionné sera :
Exp A B C
1 -1 -1 +1
2 +1 -1 -1
3 -1 +1 -1
4 +1 -1 +1
34
C'est cette matrice qui servira, une fois les quatre expériences réalisées, à calculer les effets de
A, B, C et de leurs interactions éventuelles. Le plan réalisé avec la matrice précédente est
appelé plan fractionnaire 23-1.
Du point de vue du vocabulaire, le fait de poser C = AB se traduit en disant que l'on a
aliasé le facteur C avec l'interaction AB. Il est naturel, à ce stade de notre étude de se
demander si les effets de A, B et C calculés avec ce plan fractionnaires sont les mêmes que
celles que l'on aurait obtenues avec un plan complet. Nous allons voir qu'il n'en est rien.
Compte tenu des résultats du paragraphe précédent nous avons :
C = AB donc CC = I = CAB
I = CAB donc AI = ACAB = C(AA)B = CIB d'où A = CB
I = CAB donc BI = BCAB =CA(BB) = CAI d'où B = CA
Ainsi, non seulement le facteur C est aliasé avec l'interaction AB mais le facteur A est aliasé
avec l'interaction CB et le facteur B est aliasé avec l'interaction CA. Autrement dit les effets
obtenus avec le plan fractionnaire ne sont pas des effets purs. Avant de préciser cette notion,
constatons que l'égalité I = CAB nous a fourni tous les aliases, on dit que I = CAB est un
générateur d'aliase.
Précisons maintenant le fait que la notion d'aliase ne nous donne pas des effets purs.
Supposons que nous ayons réalisé d'une part le plan fractionnaire 23-1 dont il vient d'être
question mais aussi le plan complet 2 3 correspondant. Nous aurions successivement les
matrices des effets suivantes.
Exp 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 a0 a1 a2 a3
1 +1 -1 -1 -1 +1 +1 +1 -1 a
35
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 b
5 +1 -1 -1 +1 +1 -1 -1 +1 y1
6 +1 +1 -1 +1 -1 +1 -1 -1 c
7 +1 -1 +1 +1 -1 -1 +1 -1 d
8 +1 +1 +1 +1 +1 +1 +1 +1 y4
Remarquons que les lignes de la matrice d'expériences du plan fractionné 2 3-1 sont, dans
l'ordre, les lignes 5,2,3,8 de la matrice d'expériences du plan complet 2 3. Calculons le
coefficient a1 du plan fractionné 23-1 (effet de A aliasé à l'interaction CB) :
-y1+y2-y3+y4
a1 =
4
Calculons les effets de A (soit a' 1), puis l'effet de l'interaction CB (soit a' 23) pour le plan
complet 23.
-a+y2-y3+b-y1+c-d+y4
a'1 =
8
a+y2-y3-b-y1-c+d+y4
a'23 =
8
Nous constatons que : a1 = a' 1 + a' 23 ceci montre bien que l'effet a'1, obtenu avec le plan
fractionnaire n'est pas un effet pur. On montrerait de la même manière que :
a2 = a' 2 + a' 13 et a3 = a' 3 + a' 12
En l'absence de toute hypothèse supplémentaire sur les effets, un plan fractionnaire est
inexploitable, puisque les effets obtenus ne sont pas purs. Pour une interprétation correcte, il
faut avoir une connaissance approfondie du phénomène étudié. Nous allons voir dans le
paragraphe suivant, que pour obtenir les effets principaux de 4 facteurs il est possible de ne
faire que 8 expériences au lieu de 16 nécessaires pour un plan complet 24.
6.4 Plan fractionnaire 24-1
La matrice d'expérience d'un plan 23 comporte 3 colonnes dans lesquelles nous plaçons les
trois premières variables A, B, C. Pour placer la quatrième variable D, nous décidons de
l'aliaser avec l'interaction d'ordre la plus élevé du plan 2 3, c'est à dire l'interaction ABC. Nous
obtenons l'aliase
D = ABC qui nous permet de déterminer le générateur d'aliase : I = DABC. En effet :
D = ABC I = DABC
36
nous avons alors : I = DABC
Nous constatons que si, comme il est d'usage, on néglige les interactions d'ordre 3, on obtient
bien les effets principaux.
Montrons sur un exemple, comment on peut, en outre, interpréter les interactions d'ordre 2.
Exemple
On veut étudier l'influence de 4 facteurs sur la pureté d'un précipité. Les variables retenues et
leurs niveaux sont donnés dans le tableau suivant :
Variable Niveau -1 Niveau +1
+1 -1 -1 -1 -1 +1 +1 +1 3, 1
+1 +1 -1 -1 +1 -1 -1 +1 4, 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, 0
+1 +1 -1 +1 -1 -1 -1 -1 4, 1
+1 -1 +1 +1 -1 -1 -1 +1 -0, 1
+1 +1 +1 +1 +1 +1 +1 +1 0, 6
37
DBC DAC DAB D DC DB AD
A = -1 P =(3,1+2,2)/2 = 2, 65 P = (4-0,1)/2 = 1, 95
A = +1 P = (4,1+1,3)/2 = 2, 70 P = (4,1+0,6)/2 = 2, 35
L'examen de ce tableau montre que les conditions optimales seront obtenues avec : A au
niveau +1 et C au niveau -1.
Étude de l'interaction DB
D = -1 D = +1
B = -1 P =(3,1+4,1)/2 = 3, 6 P =(4,1+4,0)/2 = 4, 05
38
B = +1 P =(1,3-0,1)/2 = 0, 6 P =(2,2+0,6)/2 = 1, 4
L'examen de ce tableau montre que les conditions optimales seront obtenues avec : B au
niveau -1 et D au niveau -1. En conclusion : L'effet principal de la variable B étant négatif, il
faut effectivement se placer au niveau -1 pour cette variable. En résumé, nous obtiendrons la
plus grande pureté avec :
A +1 Base en excès
C -1 Filtration à chaud
39