République Tunisienne

Ministère de l’Enseignement Supérieur et

de la Recherche Scientifique Année universitaire : 2021/2022

Enseignante : Ahlem BENDAOUED

Université de Kairouan

[Titre du document]

Chapitre IV : Traitement du

plan factoriel complet 2k par

la méthode polynomiale
 I. Méthode des moindres carrés
On dispose en général de 2 ensembles de donnés de taille n {x1, x2, x3…xn} et {y1, y2, y3…yn}
obtenus expérimentalement. On cherche à construire un modèle mathématique de type
polynomiale qui permettre de traduire la relation de cause à effet entre la réponse y et la variable
x : y=f(x).

Si le modèle postulé est de la forme y= ax + b on dit que la régression est linéaire.

Avec : y : réponse expérimentale

 𝑦̂ : estimé par le modèle

Pour trouver le meilleur modèle, il faut minimiser :

∑(𝑦𝑖 − 𝑦𝑖
̂ )2 =∑ 𝑒𝑖2 = D

Si D est minimal, on trouve la droite des moindres carrés.

Si on veut minimiser D, il faut trouver les valeurs de a et b telles que.

𝜕𝐷 𝜕𝐷
= =0
𝜕𝑎 𝜕𝑏

Dans le cas de deux variables x1 et x2 :

N° expérience x1 x2 y
1 x11 x12 y1
2 x21 x22 y2
3 x31 x32 y3
4 X41 x42 y4

Ou xij valeur de la variable j pour l’expérience N°i

Dans ce cas : 𝑦
̂ = b0 + b1x1 + b2x2 + b12x1x2

On cherche à minimiser D

D =∑𝑛𝑖=1 (𝑦𝑖 − 𝑦𝑖
̂ )2 = ∑𝑛𝑖=1 (yi − b0 − b1xi1 − b2xi2 −
b12xi1xi2)2
𝜕𝐷 𝜕𝐷 𝜕𝐷 𝜕𝐷
Dmin  =0; =0; =0; =0
𝜕𝑏0 𝜕𝑏1 𝜕𝑏2 𝜕𝑏12

𝜕𝐷
= 0 = 2 ∑𝑛𝑖=1 (yi − b0 − b1xi1 − b2xi2 − b12xi1xi2)(-1)=0
𝜕𝑏0

𝜕𝐷
= 0 = 2 ∑𝑛𝑖=1 (yi − b0 − b1xi1 − b2xi2 − b12xi1xi2)(-xi1)=0
𝜕𝑏1

𝜕𝐷
= 0 = 2 ∑𝑛𝑖=1 (yi − b0 − b1xi1 − b2xi2 − b12xi1xi2)(-xi2)=0
𝜕𝑏2
𝜕𝐷
= 0= 2 ∑𝑛𝑖=1 (yi − b0 − b1xi1 − b2xi2 − b12xi1xi2)(-xi1xi2)=0
𝜕𝑏12

𝜕𝐷
= ∑𝑛𝑖=1 yi − nb0 − b1 ∑𝑛𝑖=1 𝑥𝑖1 − b2 ∑𝑛𝑖=1 𝑥𝑖2 −
𝜕𝑏0

b12 ∑𝑛𝑖=1 𝑥𝑖1𝑥𝑖2

𝜕𝐷
= ∑𝑛𝑖=1 yixi1 − b0 ∑𝑛𝑖=1 𝑥𝑖1 −
𝜕𝑏1

𝑏1 ∑𝑛𝑖=1 𝑥𝑖12 − b2 ∑𝑛𝑖=1 𝑥𝑖1𝑥𝑖2 − b12 ∑𝑛𝑖=1 𝑥𝑖1 2 𝑥𝑖2

𝜕𝐷
= ∑𝑛𝑖=1 yixi2 − b0 ∑𝑛𝑖=1 𝑥𝑖2 −
𝜕𝑏2

𝑏1 ∑𝑛𝑖=1 𝑥𝑖1𝑥𝑖2 − b2 ∑𝑛𝑖=1 𝑥𝑖22 − b12 ∑𝑛𝑖=1 𝑥𝑖1 𝑥𝑖22

𝜕𝐷
= ∑𝑛𝑖=1 yixi1xi2 − b0 ∑𝑛𝑖=1 𝑥𝑖1𝑥𝑖2 −
𝜕𝑏12

𝑏1 ∑𝑛𝑖=1 𝑥𝑖12𝑥𝑖2 − b2 ∑𝑛𝑖=1 𝑥𝑖1𝑥𝑖22 − b12 ∑𝑛𝑖=1 𝑥𝑖1 2 𝑥𝑖22

4 équations à 4 inconnues : b0, b1, b2 et b12.

Système difficile à résoudre. La résolution devient simple si les conditions suivantes sont
satisfaites :

∑𝑛𝑖=1 𝑥𝑖𝑗 = 0 : Variable centrée

∑𝑛𝑖=1 𝑥𝑖𝑗𝑥𝑖𝑘 = 0 : Expériences orthogonales

∑𝑛𝑖=1 𝑥𝑖𝑗2xik=0

𝑦𝑖
(1)∑ 𝑦𝑖= nb0  b0=∑ = 𝑦̅
𝑛

∑ 𝑦𝑖𝑥𝑖1
(2) ∑ 𝑦𝑖 𝑥𝑖1 – b1∑ 𝑥𝑖12 = 0b1= ∑
𝑥𝑖12
 ∑ 𝑦𝑖𝑥𝑖2
(3) ∑ 𝑦𝑖 𝑥𝑖2 – b2∑ 𝑥𝑖22 = 0b2= ∑
𝑥𝑖22

∑ 𝑦𝑖𝑥𝑖1𝑥𝑖2
(4) ∑ 𝑦𝑖 𝑥𝑖1𝑥𝑖2 – b12∑ 𝑥𝑖12 𝑥𝑖2 2= 0b12=∑
𝑥𝑖12 𝑥𝑖22

II. Traitement des plans factoriels complets par la méthode des moindres carrés
1. Variables naturelles et variables codés

U1 et U2 sont des variables naturelles avec unités et dimensions différentes x1 et x2 sont des
variables codées sans unité, centrées et réduites.

𝑈𝑖𝑗−[𝑈𝑗(sup)+ 𝑈𝑗(𝑖𝑛𝑓)]/2 𝑈𝑖𝑗−𝑈𝑗0

Xij= =
[𝑈𝑗(sup)− 𝑈𝑗(𝑖𝑛𝑓)]/2 ∆𝑈𝑗

Uij : valeur de la variable naturelle j à l’expérience

Xij : valeur de la variable codée j à l’expérience

Uj0 : valeur de la variable j au centre du domaine

∆Uj : pas de variation de la variable naturelle j

Réciproquement : Uij=Uj0 + xij∆Uj

Exemple :

U1 : concentration variant entre 20 et 40g/l

Plan d’expérimentation :
 N° expé U1 (crans) U2 (bars)
1 1 1
2 3 1
3 1 2
4 3 2

Matrice d’expérience : Variables codées

N° expé X1 X2
1 -1 -1
2 +1 -1
3 -1 +1
4 +1 +1

2. Matrice du modèle ou matrice des effets

On représente la matrice des effets à partir du modèle polynomial choisi pour le plan 22.

𝑦̅=b0 + b1x1 + b2x2 + b12x1x2

Le nombre de coefficients inconnus est 22 la matrice des effets.

Matrice des effets :

N° exp 1 Xi1 Xi2 Xi1Xi2 y ̂

𝒚 ̂
yi-𝒚𝒊
1 +1 -1 -1 +1 14 15 1
2 +1 +1 -1 -1 19 20 1
3 +1 -1 +1 -1 23 25 4
4 +1 +1 +1 +1 38 40 4
5 +1 -1 -1 +1 16 15 1
6 +1 +1 -1 -1 21 20 1
7 +1 -1 +1 -1 27 25 4
8 +1 +1 +1 +1 42 40 4
yj 200 40 60 20
∑ 𝒙𝒊𝒋2 8 8 8 8
bj b0=25 b1=5 b2=7,5 b12=2,5
 SSj 200 450 50 SSE=20

̂ = 25 + 5X1 + 7,5X2 +2,5X1X2

Le modèle s’écrit alors : 𝒚

Les coefficients sont calculés indépendamment les uns des autres par la méthode des moindres
carrés, à partir des équations :

∑ 𝒚𝒊 𝒚𝟎
b0 = = ̂ = 25
=𝒚
𝒏 𝒏

∑ 𝒚𝒊𝑿𝒊𝟏 𝒚𝟏 𝟒𝟎
b1 = ∑ 𝑿𝒊𝟏𝟐
=∑ = =5
𝑿𝒊𝟏𝟐 𝟖

∑ 𝒚𝒊𝑿𝒊𝟐 𝒚𝟐 𝟔𝟎
b2 = ∑ 𝑿𝒊𝟐𝟐
=∑ = = 7,5
𝑿𝒊𝟐𝟐 𝟖

∑ 𝒚𝒊𝑿𝒊𝟏𝑿𝒊𝟐 𝒚𝟏𝟐 𝟐𝟎
b12 = ∑ =∑ = = 2,5
𝑿𝒊𝟏𝟐𝑿𝒊𝟐𝟐 𝑿𝒊𝟏𝟐𝑿𝒊𝟐𝟐 𝟖

y0, y1, y2 et y12 sont appelés contrastes.

3. Analyse de la variance

Pour faire l’analyse de la variance, il faut évaluer SS1, SS2, SS12 et SSE.

SST = SS1 + SS2 +SS12 + SSE = SSx + SSE

∑𝑛𝑖=1(𝑦𝑖 − 𝑦̂)2 =∑𝑛𝑖=1(𝑦𝑖 − 𝑦𝑖

̂ )2 + ∑𝑛𝑖=1(𝑦𝑖
̂ − 𝑦̅)2

=∑𝑛𝑖=1(𝑦𝑖 − 𝑦𝑖
̂ )2 + ∑𝑛𝑖=1(𝑏0 + 𝑏1𝑋𝑖1+b2Xi2 + b12Xi1Xi2 - 𝑦̅)2

=SSE + b12∑𝑛𝑖=1 𝑋𝑖12 + b22∑𝑛𝑖=1 𝑋𝑖22 + b122∑𝑛𝑖=1 𝑋𝑖12 Xi22

Avec :

 b12∑𝑛𝑖=1 𝑋𝑖12 SS1

 b22∑𝑛𝑖=1 𝑋𝑖22SS2
 b122∑𝑛𝑖=1 𝑋𝑖12 Xi22SS12
 Variation totale :
SSTot =∑𝑛𝑖=1(𝑦𝑖 − 𝑦̂)2 = 720; ddlTot= 8-1=7 (voir chapitre 3)

 Variations due aux facteurs :

SS1 = b12 * ∑8𝑖=1 𝑋𝑖12 = (5)2 *8= 200; ddl1=1

SS2 = b22 * ∑8𝑖=1 𝑋𝑖22 = (7,5)2 *8= 450 ; ddl2=1

SS12 = b122 * ∑8𝑖=1 𝑋𝑖12Xi22 = (2,5)2 *8 = 50 ; ddl2=1

 Variations due à l’erreur :

SSE =SSTot – SS1 –SS2 –SS12 = 20

ddlE = ddlTot – ddl1 –ddl2 –ddl12 = 7- 3=4

Ou bien:

SSE = ∑8𝑖=1(𝑦𝑖 − 𝑦𝑖
̂ )2

Pour expérience 1 :

Yi=14 ; X1= -1 ; X2= -1

̂ = 25 + 5(-1) + 7,5(-1) + 2,5 (-1)(-1) =15

𝑦1

SSE = SSE1 + SSE2 + SSE3 + SSE4 + SSE5 + SSE6 + SSE7 + SSE8

SSE = (14 - 15)2 + (16 – 15)2 + (19 – 20)2 + (21 – 20)2 + (23 – 25)2 + (27 – 25)2 + (38 – 40)2 +
(42 – 40)2 = 20

 ANOVA

Source de SS ddl ms F0 test

variation
X1 200 1 200/1 40 **
X2 450 1 450/1 90 ***
X1X2 50 1 50/1 10 *
Erreur 20 4 20/4
 Variation 720 7
totale

F 0,05 (1,4) = 7,71 ; F 0,01 (1,4) = 21,2 ; F 0,001 (1,4) = 74,1

Modèle réduite : éliminer les facteurs non significatifs

𝑦̂ = 25 +5X1 + 7,5X2 + 2,5X1X2

Niveau de confiance à 95%  𝑦̂ = 25 +5X1 + 7,5X2 + 2,5X1X2

Niveau de confiance à 99% 𝑦̂ = 25 +5X1 + 7,5X2

Niveau de confiance à 99,9% 𝑦̂ = 25 +5X1