4 - Introduction Aux Plans Dexpériences PDF

SRIE
Jacques Goupy
| CONCEPTION
Lee Creighton
INTRODUCTION
AUX PLANS
DEXPRIENCES
3e dition
INTRODUCTION
AUX PLANS
DEXPRIENCES
CHEZ LE MME DITEUR
Jacques GOUPY
Pratiquer les plans dexpriences
(avec CD-Rom)
568 p.
Rene VEYSSEYRE
Aide-mmoire de statistique
et probabilits pour lingnieur
2e dition, 320 p.
Jacques GOUPY
Plans dexpriences : les mlanges
304 p.
Jacques Goupy Lee Creighton
INTRODUCTION
AUX PLANS
DEXPRIENCES
3e dition
Du mme auteur
Pratiquer les plans dexpriences (avec CD-Rom), Dunod, 2005.
Plans dexpriences : les mlanges, Dunod, 2000.
Disclaimer:
This eBook does not include the ancillary media that was
packaged with the original printed version of the book.
Dunod, Paris, 2001, 2006
Bordas, Paris, 1988, pour la 1re dition
ISBN 2 10 049744 8
TABLE DES MATIRES
Avant-propos
1 Faites connaissance avec la mthode des plans dexpriences
IX
1
1.1
Processus dacquisition des connaissances
1.2
tude dun phnomne
1.3
Terminologie
1.4
Variables centres rduites
1.5
Points exprimentaux
1.6
Plans dexpriences
2 Votre premier plan dexpriences

2.1
Exemple 01 : je matrise la consommation de ma voiture
3 Plan dexpriences pour 3 facteurs
10
15
15
31
3.1
Exemple 02 : des bijoux en or
31
3.2
Conclusion de ltude
47
4 Plans factoriels complets 4 facteurs
49
4.1
Exemple 03 : la galette des rois
50
4.2
Fonction dsirablit
60
4.3
Application lexemple 03
64
4.4
Conclusion de ltude
65
5 Notions de statistique appliques aux plans dexpriences
67
5.1
Exemple 04 : dure de vie des outils de coupe jetables
68
5.2
Notions de statistique appliques aux plans dexpriences
71
5.3
Facteurs et interactions influents
81
5.4
Analyse de la variance
82
5.5
Application lexemple 04
85
5.6
Conclusion de ltude
91
6 Plans factoriels fractionnaires

6.1
Exemple 05 : le tellure
94
6.2
Thorie des aliases
97
6.3
Calcul de Box
99
6.4
Relation dquivalence
102
6.5
Gnrateurs daliases
104
6.6
Construction pratique dun plan fractionnaire
105
6.7
Nombre maximal de facteurs tudis sur un plan de base
112
6.8
Application de la thorie des aliases lexemple 05
112
6.9
Conclusion de ltude
113
7 Exemples de plans factoriels fractionnaires
115
7.1
Exemple 06 : la sulfonation
116
7.2
Exemple 07 : le spectrofluorimtre
124
7.3
Exemple 08 : les pommes de terre chips
140
8 Ordre des essais
147
8.1
Nature des erreurs
148
8.2
Exemple 09 : le Penicillium chrysogenum (exemple de blocking)
151
8.3
Exemple 10 : les haricots de Yates
161
8.4
Exemple 11 : le broyeur (exemple de plan anti-drive)
168
8.5
Avantages et dangers de la randomisation
175
9 Plans pour surfaces de rponse
179
9.1
Prsentation des plans composites
179
9.2
Prsentation des plans de Box-Behnken
180
9.3
Prsentation des plans de Doehlert
181
9.4
Exemple 12 : la rectification du contrematre (exemple de plan composite)
184
9.5
Exemple 13 : un yoghourt doux (exemple de plan de Box-Behnken)
194
9.6
Exemple 14 : linsecticide (exemple de plan de Doehlert)
199
10 Plans de mlanges
VI
93
207
10.1 Contrainte fondamentale des mlanges
207
10.2 Reprsentation gomtrique des mlanges
208
10.3 Plans de mlanges classiques
212
10.4 Modles mathmatiques des plans de mlanges
215
10.5 Exemple 15 : les trois polymres
217
11 Notion de plan optimal
221
11.1 Exemple dHotelling
221
11.2 Peses et plans dexpriences
223
11.3 Optimalit
225
11.4 Plans optimaux avec un modle linaire
229
11.5 Quand utiliser des plans optimaux ?
232
11.6 Adaptabilit des plans optimaux
232
11.7 Exemple 16 : dveloppement dun dtecteur de fissures
235
11.8 Exemple 17 : les comprims du pharmacien
240
11.9 Exemple 18 : la crme bronzer
248
12 Carrs latins et plans associs
255
12.1 Exemple 19 : les salaires un facteur discret plusieurs niveaux
255
12.2 Suite de lexemple 19 deux facteurs discrets plusieurs niveaux
257
12.3 Carrs latins
264
12.4 Carrs grco-latins
265
12.5 Carrs de Youden
266
12.6 Exemple 20 : tude de la pntromtrie
267
13 Synthse et conseils
271
13.1 Choix dune mthode dexprimentation
271
13.2 Exprimentation
277
13.3 Analyse des rsultats
277
13.4 Acquisition progressive des connaissances
279
13.5 Recommandations
280
13.6 Limites de lexprimentique
280
14 Prparez et analysez vos plans dexpriences avec JMP
281
14.1 Construire un plan dexpriences
281
14.2 Le tableur de JMP
286
14.3 Choisir et utiliser un modle
288
14.4 Examiner et analyser les rsultats
290
14.5 Principaux graphiques et rapports danalyse
291
14.6 Transfrer et sauvegarder les rsultats et les analyses
293
VII
Annexes
A Origine des exemples
297
B Comparaison de deux moyennes indpendantes
299
C Sries dessais laissant les facteurs principaux insensibles

une drive linaire
301
D Introduction au calcul matriciel
307
Bibliographie
313
Index
321
Instructions pour utiliser le logiciel JMP
324
Dunod La photocopie non autorise est un dlit.
AVANT-PROPOS
La premire dition de ce livre a t publie en 1988. Depuis cette anne-l, lutilisation des plans dexpriences sest considrablement dveloppe dans les mondes
industriels et universitaires. De nombreux logiciels consacrs aux plans dexpriences sont apparus. Ils ont simplifi la construction des plans, effac les difficults de calcul et permis la ralisation rapide de graphiques mettant en valeur les
principaux rsultats de lexprimentation. Il tait donc devenu ncessaire de rajeunir
louvrage Introduction aux plans dexpriences pour tenir compte de cette rapide
volution. Cest lobjet de cette troisime dition.
Les premire et deuxime ditions ne traitaient que des plans factoriels, complets ou
fractionnaires. Cette troisime dition comporte, en plus, des chapitres sur les plans
pour surfaces de rponse, sur les plans de mlanges, sur les plans D-optimaux et sur
les plans pour variables discrtes. Cet largissement a t possible grce aux logiciels
daujourdhui qui permettent de construire facilement tous ces plans et qui ralisent
les calculs les plus complexes rapidement et sans aucune difficult.
Pour que vous puissiez vous rendre compte de la puissance des logiciels actuels, la
socit SAS nous a permis dincorporer une version complte de son logiciel JMP
(prononcez jump) dans ce livre. Vous aurez ce logiciel votre disposition pendant
six mois partir du moment o vous laurez activ (voir les instructions en fin
douvrage).
Ce livre est complt par un blog (http://www.plansdexperiences.com) sur lequel
vous trouverez des explications supplmentaires sur les exemples, un manuel (en
franais) dintroduction au logiciel et les fichiers tlchargeables des exemples. Une
documentation plus complte existe en anglais et peut tre consulte et tlcharge
sur le site http://www.jmp.com.
Nous tenons remercier Michel Genetay, Rmi Longeray, Lalatiana Rakotozafy et
Jacques Vaill qui ont relu le manuscrit original de ce livre et qui nous ont fait
profiter de leurs suggestions et de leurs conseils.
Nous conseillons aux lecteurs qui veulent complter leurs connaissances, daccompagner leur lecture par lexcution des calculs avec le logiciel. Ils pourront ainsi
approfondir les analyses et procder leur propre interprtation. Nous avons
essay de fournir aux lecteurs tous les outils et toutes les explications pour quils
puissent utiliser facilement la mthode des plans dexpriences pour leurs propres
travaux. Il nous reste leur souhaiter : Bons plans dexpriences !
Jacques Goupy, Paris (France)
Lee Creighton, Cary (Caroline du Nord, tats-Unis)
IX
1 FAITES CONNAISSANCE AVEC

LA MTHODE DES PLANS DEXPRIENCES
Si vous lisez ce livre cest que, probablement, vous faites des expriences et que vous
cherchez mieux les organiser. Vous cherchez surtout ne faire que les bonnes
expriences, cest--dire celles qui vont vous apporter la meilleure information
exprimentale que vous puissiez esprer.
Ce livre est crit pour vous aider. Il va vous dcrire la mthode et les outils pour que
vous ne fassiez plus que les bonnes expriences et que vous en tiriez le maximum
de renseignements. Vous prendrez vos dcisions en connaissance de cause et vous
trouverez des solutions vos problmes.
Nous allons dabord regarder comment sintgrent les plans dexpriences dans le
processus dacquisition des connaissances. Puis, nous verrons les concepts de base
qui permettent de bien dfinir une tude et comment lon interprte les rsultats
des essais.
1.1 Processus dacquisition des connaissances

Augmenter ses connaissances, cest trouver la rponse une question pose. On
commence donc par se poser une ou plusieurs questions (Figure 1.1). Par exemple,
si lon dsire connatre linfluence dun engrais sur le rendement en bl dune
parcelle de terrain, on pourra se poser les questions suivantes qui, bien sr, ne sont
pas limitatives :
Peut-on obtenir 10 quintaux de bl de plus lhectare en augmentant la quantit
dengrais ?
Quelle est lincidence de la pluie sur lefficacit de lengrais ?
La qualit du bl restera-t-elle bonne si jutilise cet engrais ?
Combien dois-je utiliser dengrais pour obtenir la quantit maximale de bl
par hectare ?
Ces questions dlimitent le problme rsoudre et fixent les travaux excuter.
Il est donc important de se poser les questions qui correspondent rellement au
problme. Bien sr, avant dentreprendre des expriences, il est prudent de vrifier
que linformation cherche nexiste pas dj ailleurs. Dans ce but, on effectue un
inventaire des connaissances, soit une bibliographie, soit une consultation dexperts,
soit un calcul thorique, soit toute autre dmarche ayant pour but de rpondre,
1
1 Dcouvrir la mthode
des plans dexpriences
1.1 Processus dacquisition des connaissances
sans exprience, aux questions poses. Aprs cette phase denqute, les questions
initiales peuvent tre entirement rsolues et il ny a plus de problme. Dans le cas
contraire, certaines questions restent entires ou elles sont modifies : il est alors
ncessaire dentreprendre des expriences pour obtenir les rponses compltes que
lon souhaite. Ce travail pralable fait partie du mtier dexprimentateur et nous
ninsisterons pas. Ce nest pas sur cette phase du processus que nous voulons faire
porter notre effort de rflexion et damlioration.
Nayant plus que les questions sans rponse immdiate, il faut faire des expriences.
Comment peut-on choisir ces expriences pour :
arriver rapidement aux meilleurs rsultats possibles,

viter de raliser des expriences inutiles,
obtenir la meilleure prcision possible sur les rsultats,
permettre davancer coup sr,
tablir la modlisation du phnomne tudi,
dcouvrir la solution optimale.
Figure 1.1 Les plans dexpriences optimisent les trois parties encadres
du processus dacquisition des connaissances.
Les trois aspects essentiels du processus dacquisition des connaissances sont les
suivantes :
le choix de la mthode dexprimentation,
lanalyse des rsultats,
lacquisition progressive de la connaissance.
Examinons plus en dtail ces trois aspects sachant que les expriences sont organises
pour faciliter lexploitation des rsultats et pour permettre lacquisition progressive
des rsultats dintrt.
2
1.2 tude dun phnomne
1.1.1 Choix de la mthode dexprimentation
La mthode dexprimentation choisie doit faciliter linterprtation des rsultats.

Elle doit galement minimiser le nombre des essais sans toutefois sacrifier la qualit.
La thorie des plans dexpriences assure les conditions pour lesquelles on obtient
la meilleure prcision possible avec le minimum dessais. On a donc le maximum
defficacit avec le minimum dexpriences et par consquent le cot minimum.
1.1.2 Analyse des rsultats
Lanalyse des rsultats dexpriences est facilite par le choix initial des expriences.
Les rsultats seront faciles interprter et riches denseignement si lon a bien prpar
les expriences.
Grce aux ordinateurs et aux logiciels la construction des plans dexpriences et les
calculs ncessaires leur interprtation sont devenus trs simples. Ces outils favorisent
galement les reprsentations graphiques qui illustrent de manire spectaculaire les
rsultats et amliorent la comprhension des phnomnes.
1.1.3 Acquisition progressive de la connaissance
Lexprimentateur qui entreprend une tude ne connat pas les rsultats, il est
donc sage davancer progressivement pour pouvoir rorienter les essais en fonction
des premiers rsultats. Une premire bauche permettra de mieux orienter les essais
vers les seuls aspects intressants de ltude et dabandonner les voies sans issues.
Une premire srie dexpriences conduit des conclusions provisoires ; en fonction de ces conclusions provisoires, on lance une nouvelle srie dessais. Lensemble
des deux sries dexpriences est utilis pour obtenir un contour prcis des rsultats
dtude. Lexprimentateur accumule ainsi les seuls rsultats dont il a besoin et
sarrte ds quil a obtenu ce quil cherche.
1.2 tude dun phnomne

Ltude dun phnomne revient souvent sintresser une grandeur particulire
comme la consommation dessence dune voiture ou comme le prix de revient
dun produit chimique ou encore comme le rendement en bl dune parcelle de
terrain. Cette grandeur, consommation, prix ou rendement, dpend dun grand
nombre de variables. La consommation de la voiture est fonction de la vitesse du
vhicule, de la puissance du moteur, de la manire de conduire, de la direction et
de la force du vent, du gonflage des pneumatiques, de la prsence ou non dun
porte-bagages, du nombre de personnes transportes, de la marque de la voiture,
etc. Le prix du produit chimique dpend de la qualit des matires premires, des
rendements des units de production, des spcifications imposes, des conditions
de fabrication, etc. Il en est de mme pour le rendement en bl qui est fonction de
la nature du terrain, de la quantit dengrais incorpor, de lexposition au soleil,
du climat, de la varit de bl ensemenc, etc.
3
1.3 Terminologie
Sous une forme mathmatique, on peut crire que la grandeur dintrt, y, que
nous appellerons galement rponse par la suite, est une fonction de plusieurs
variables xi (variables que nous appellerons aussi facteurs par la suite). On a :
y = f (x1,x2,x3,,xk)
Ltude du phnomne se ramne dterminer la fonction f( ) qui lie la rponse y
aux diffrents facteurs x1, x2, , xk.
Pour approfondir cette approche il faut introduire quelques notions particulires
et une terminologie spcifique aux plans dexpriences.
1.3 Terminologie
La grandeur dintrt, qui est gnralement note y, porte le nom de rponse. Les
variables qui peuvent modifier la rponse sont appeles facteurs. On parle donc des
facteurs qui influent sur une rponse. Les termes facteur et rponse sont universellement
employs dans le domaine des plans dexpriences.
1.3.1 Les diffrents types de facteurs
La construction des plans et linterprtation des rsultats dpendent en grande

partie des types de facteurs rencontrs dans ltude. On distingue plusieurs types
de facteurs. Nous retiendrons les types de facteurs suivants : les facteurs continus,
les facteurs discrets, les facteurs ordonnables, les facteurs boolens.
m Facteurs continus
La pression est un exemple de facteur continu. Dans un intervalle de pression

donn, on peut choisir toutes les valeurs possibles. Il en est de mme dune longueur,
dune concentration ou dune temprature. Les valeurs prises par les facteurs continus
sont donc reprsentes par des nombres continus.
m Facteurs discrets
Au contraire, les facteurs discrets ne peuvent prendre que des valeurs particulires.
Ces valeurs ne sont pas forcment numriques : on peut reprsenter un facteur
discret par un nom, une lettre, une proprit ou mme par un nombre qui na
alors en soi aucune valeur numrique mais quune signification de repre. Par
exemple, on peut sintresser aux couleurs dun produit : bleu, rouge et jaune sont
des facteurs discrets.
m Facteurs ordonnables
Il sagit de facteurs discrets que lon peut mettre dans un ordre logique. Par exemple,
grand, moyen, petit, ou encore premier, deuxime, troisime et quatrime.
m Facteurs boolens
Les facteurs boolens sont des facteurs discrets qui ne peuvent prendre que deux
valeurs : haut ou bas, ouvert ou ferm, blanc ou noir, etc.
4
1.3 Terminologie
La frontire est parfois floue entre ces diffrents types de facteurs. Une couleur,
facteur apparemment discret, peut tre transforme en grandeur ordonnable et
mme continue si lon introduit la notion de longueur donde. Un facteur
continu, comme la vitesse, peut tre transform en facteur ordonnable ou discret :
rapide et lent, ou vitesse A et vitesse B. Cette possibilit nest pas un inconvnient,
cest une souplesse supplmentaire dont lexprimentateur pourra tirer avantage au
moment de linterprtation. En effet, suivant le choix effectu, on pourra mettre
plus facilement en relief un aspect particulier de ltude. Le changement de types
de variables est aussi un moyen dadapter la rponse lobjectif de ltude. Par
exemple, on possde lge des membres dune population. Si lon cherche lge
moyen, la variable ge sera choisie continue. Si lon cherche le pourcentage des
personnes ayant un ge donn, la variable ge sera choisie ordonnable : il y aura
plusieurs catgories dfinies par les limites dge, les jeunes, les adolescents, les
adultes et les seniors. Si lon cherche la proportion de jeunes de moins de 18 ans,
la variable ge sera choisie boolenne : les moins de 18 ans et les plus de 18 ans.
La comprhension des plans dexpriences sappuie sur la notion essentielle
despace exprimental des grandeurs tudies. Nous allons examiner en dtail ce
concept fondamental. Nous insisterons sur les facteurs continus qui sont les plus
couramment utiliss.
1.3.2 Espace exprimental
Pour prsenter lespace exprimental nous utiliserons un espace deux dimensions, ce qui facilitera les reprsentations graphiques. Il est ensuite facile dtendre
les notions introduites des espaces multidimensionnels.
Un facteur continu peut tre reprsent par un axe gradu et orient. Sil y a un
second facteur continu, il est reprsent, lui aussi, par un axe gradu et orient.
Ce second axe est dispos orthogonalement au premier. On obtient ainsi un
repre cartsien qui dfinit un espace euclidien deux dimensions. Cet espace
est appel lespace exprimental (figure 1.2). Lespace exprimental comprend tous
les points du plan facteur 1 facteur 2 et chacun deux reprsente une exprience.
Espace exprimental
Figure 1.2 Chaque facteur est reprsent par un axe gradu et orient. Les axes des facteurs
sont orthogonaux entre eux. Lespace ainsi dfini est lespace exprimental.
1.3 Terminologie
Sil y a un troisime facteur, on le reprsente aussi par un axe orient et gradu, et

on le positionne perpendiculairement aux deux premiers. partir de quatre
facteurs, on opre de mme, mais il ny a plus de reprsentation gomtrique
possible et lon doit adopter une reprsentation purement mathmatique de lespace
exprimental qui est un hypervolume quatre dimensions.
1.3.3 Domaine dun facteur
La valeur donne un facteur pour raliser une exprience est appele niveau.
Domaine d'tude de la vitesse du vhicule
80 km/h
niveau bas
120 km/h
+1
Vitesse du vhicule
niveau haut
Figure 1.3 Le domaine de variation de la vitesse est constitu de toutes les vitesses comprises
entre 80 et 120 km/h. Le niveau bas du facteur est not 1 et le niveau haut +1.
Lorsquon tudie linfluence dun facteur, en gnral, on limite ses variations entre
deux bornes. La borne infrieure est le niveau bas. La borne suprieure est le
niveau haut. Si lon tudie linfluence de la vitesse du vhicule 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. Cest lexprimentateur
qui dfinit ces deux niveaux en fonction des spcificits de ltude. Lensemble de
toutes les valeurs que peut prendre le facteur entre le niveau bas et le niveau haut,
sappelle le domaine de variation du facteur ou plus simplement le domaine du
facteur.
Sil y a plusieurs facteurs, chacun deux son domaine de variation. Afin davoir
une reprsentation commune pour tous les facteurs, on a lhabitude dindiquer les
niveaux bas par 1 et les niveaux hauts par +1. La vitesse de 80 km/h est le niveau
1 et celle de 120 km/h est le niveau +1.
lintrieur du domaine dun facteur continu toutes les valeurs sont thoriquement possibles. On peut donc y choisir deux, trois ou plusieurs niveaux selon les
besoins de ltude. Par exemple, si lon veut tablir un modle du second degr, on
choisira trois ou quatre niveaux, cest--dire trois ou quatre vitesses diffrentes.
1.3.4 Domaine dtude
Dans la pratique, lexprimentateur slectionne une partie de lespace exprimental

pour raliser son tude. Cette zone particulire de lespace exprimental est le
domaine dtude (figure 1.4). Ce domaine est dfini par les niveaux hauts et les
niveaux bas de tous les facteurs et ventuellement par des contraintes entre les
facteurs. Supposons que le second facteur soit la surcharge du vhicule dfinie
comme toute masse supplmentaire celle du vhicule et du chauffeur. Le niveau
6
1.3 Terminologie
bas de la surcharge est 0 kg et le niveau haut 300 kg, par exemple. Sil ny a pas de
contraintes, le domaine dtude est reprsent 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.
Facteur 2
Surcharge
300 kg + 1
Domaine d'tude
0 kg
80 km/h
+1
120 km/h
Facteur 1
Vitesse
Figure 1.4 Le domaine dtude est dfini par la runion des domaines
des diffrents facteurs (ici, il ny a pas de contraintes).
Il peut y avoir des contraintes sur le domaine dtude. Par exemple, il peut tre
impossible datteindre la vitesse de 120 km/h avec une surcharge trop leve. La
figure 1.5 illustre une rduction possible du domaine dtude initial. Une zone du
domaine dtude initial chappe aux expriences.
Surcharge
(kg)
300
Domaine d'tude
+1
Zone exclue
0
80
+1
120
Vitesse ( km/h)
Figure 1.5 Le domaine dtude sous contraintes est reprsent par la partie grise.
1.4 Variables centres rduites
1.4 Variables centres rduites

Lorsquon attribue la valeur 1 au niveau bas dun facteur et la valeur +1 au niveau
haut, on effectue deux modifications importantes :
On dplace lorigine des mesures. Dans lexemple choisi, le milieu de lintervalle [1 ; +1] correspond une valeur de 100 km/h. La valeur numrique de la
nouvelle origine, zro, diffre donc de lorigine exprime en unit courante.
On change lunit de mesure. Par exemple, si le niveau bas du facteur vitesse
du vhicule est 80 km/h et le niveau haut 120 km/h, il y a 40 km/h entre ces
deux valeurs, soit 40 fois lunit de vitesse. Entre 1 et +1 il y a deux units
nouvelles : la nouvelle unit vaut 20 km/h, on lui donne le nom de Pas.
Ces deux modifications entranent lintroduction de nouvelles variables que lon
appelle variables centres rduites (v.c.r) : centres pour indiquer le changement
dorigine et rduites pour signaler la nouvelle unit. On utilise galement le terme
de variables codes ou dunits codes.
Le passage des variables dorigine A aux variables codes x, et inversement, est donn
par la formule suivante (A0 est la valeur centrale en units courantes) :
AA
{1.1}
x = ---------------0
Pas
Lintrt des units codes est de pouvoir prsenter les plans dexpriences de la
mme manire quels que soient les domaines dtude retenus et quels que soient les
facteurs. La thorie des plans dexpriences prsente ainsi une grande gnralit.
Lutilisation des v.c.r est trs rpandue dans les logiciels de plans dexpriences et
certaines oprations comme la recherche des meilleurs points dexpriences par le
critre de D-optimalit ne sont ralisables quavec ces variables.
Les variables codes rsultent du rapport de deux grandeurs de mme unit physique,
elles sont donc sans dimension. La disparition des units naturelles associe au fait
que tous les facteurs ont le mme domaine de variation (deux units codes)
permet la comparaison directe des effets des facteurs entre eux.
Application 1
Un exprimentateur choisit pour le facteur vitesse de la voiture 80 km/h comme niveau bas et
120 km/h comme niveau haut. Quelle est, en variables codes, la valeur de la vitesse de 90 km/h ?
Calculons le Pas du facteur vitesse. Il est gal la moiti de la diffrence entre le niveau haut et le
niveau bas :
A +1 A 1
120 80
Pas = --------------------- = --------------------- = 20
2
2
A0 est la valeur centrale entre le niveau haut et le niveau bas, cest--dire la moiti de la somme du
niveau haut et du niveau bas :
A +1 + A 1
+ 80- = 100
= 120
-------------------A 0 = ---------------------2
2
Appliquons la relation {1.1} :

AA
90 100
x = ---------------0 = --------------------- = 0,5
20
Pas
Pour cet exemple, la vitesse de 90 km/h est donc gale 0,5 en variables codes.
1.5 Points exprimentaux
Application 2
On peut aussi chercher la valeur normale connaissant la valeur code. Quelle est, en units
normales, la valeur de la vitesse de +0,5 en units codes ? crivons la relation {1.1} :
A 100
+0,5 = -----------------20
Do : A = +100 + 0,5 20 = 110

La vitesse code de 0,5 correspond une vitesse de 110 km/h.
1.5 Points exprimentaux

Dans un espace deux dimensions, le niveau i du facteur 1, not x1,i, et le niveau j
du facteur 2, not x2,j, peuvent tre considrs comme les coordonnes dun point
de lespace exprimental ou du domaine dtude (figure 1.6). Par exemple, si le
niveau de la vitesse est 90 km/h et celui de la surcharge est 250 kg, les coordonnes
du point exprimental sont :
x1,i = 90 km/h
x2,j = 250 kg
Une exprience donne est alors reprsente par un point dans ce systme daxes.
Cest la raison pour laquelle une exprience est souvent dsigne par lexpression
point exprimental, point dexprience ou mme simplement point. Un plan dexpriences est donc reprsent par un ensemble de points exprimentaux, eux-mmes
situs dans lespace exprimental. Dans lexemple que nous avons pris, lexprience
est conduite sur un vhicule qui roule 90 km/h avec une surcharge de 250 kg.
Facteur 2
Surcharge
Point exprimental
250 kg
x2, j
Facteur 1
x1, i
90 km / h
Vitesse
Figure 1.6 Dans lespace exprimental, les niveaux des facteurs

dfinissent des points exprimentaux.
Jusqu trois facteurs, il est possible de dessiner le domaine dtude. Au-del de

trois facteurs, on utilise une reprsentation en tableau, dite matricielle, plus gnrale
puisquelle permet de reprsenter les points dexpriences dans un hypervolume
un nombre quelconque de dimensions.
9
1.6 Plans dexpriences

1.6.1 Mthodologie des plans sans contrainte
Le choix du nombre et de lemplacement des points dexpriences est le problme

fondamental des plans dexpriences. On cherche raliser le minimum dexpriences tout en rduisant linfluence de lerreur exprimentale sur les modlisations
mathmatiques qui serviront prendre des dcisions. On atteint ce but en considrant les proprits mathmatiques et statistiques qui relient la rponse aux
facteurs. Lorsquil ny a pas de contraintes sur le domaine dtude, il existe des
plans classiques qui possdent dexcellentes qualits statistiques et qui permettent
de modliser les rponses dans les meilleures conditions (figure 1.7). Lorsquil
existe des contraintes, il faut construire des plans sur mesure en recherchant la
position des points exprimentaux qui conduisent, l aussi, de bonnes qualits
statistiques et une bonne modlisation des rponses.
Facteur 2
+1
+1
Facteur 1
Figure 1.7 Exemple de disposition des points exprimentaux dans un domaine sans contraintes.
1.6.2 Mthodologie des plans avec contrainte
La procdure de construction des plans dont le domaine est contraint est la suivante :
1. On dfinit le domaine de chacun des facteurs (niveau bas et niveau haut).
2. On dfinit les contraintes qui psent sur les facteurs. Ces contraintes sont exprimes par des relations dingalit entre les facteurs et elles dfinissent les zones
autorises, cest--dire celles o les expriences sont possibles, et les zones interdites, cest--dire celles o les expriences ne doivent pas tre excutes.
3. On dfinit les niveaux des facteurs les plus intressants pour ltude, autres que
les niveaux bas et hauts. Le plus souvent entre 2 et 5 niveaux supplmentaires par
facteur.
4. On construit une grille en prenant en compte toutes les combinaisons des
niveaux des facteurs. Cette grille ne doit contenir que les points exprimentaux
ralistes, cest--dire les points du domaine autoris. Ces points constituent les
points candidats (figure 1.8).
10
Facteur 2
Surcharge
(kg)
1 000
+1
Facteur 1
1
80
+1
120
Vitesse (km/h)
Figure 1.8 La grille des points candidats est constitue dexpriences possibles
dans le domaine dtude.
5. On choisit une fonction reliant a priori la rponse aux facteurs.

6. On slectionne, en fonction dun critre doptimalit choisi, le nombre et
lemplacement des points exprimentaux les plus utiles la modlisation du
phnomne tudi (figure 1.9). Cette slection exige de longs calculs et nest possible
quavec laide dun logiciel de plans dexpriences.
Facteur 2
Surcharge
(kg)
1 000
+1
Facteur 1
1
80
+1
120
Vitesse (km/h)
Figure 1.9 Les meilleurs points sont slectionns

par le logiciel.
11
1.6.3 Surfaces de rponse
chaque point du domaine dtude correspond une rponse. lensemble de tous

les points du domaine dtude correspond un ensemble de rponses qui se localise
sur une surface appele surface de rponse (figure 1.10).
Rponse
Facteur 2
+1
A
1
Facteur 1
+1
Figure 1.10 Lensemble des rponses qui correspond tous les points du domaine dtude
forme la surface de rponse.
En gnral, on ne connat que quelques rponses, celles qui correspondent aux

points exprimentaux retenus par lexprimentateur. On interpole laide dun
modle mathmatique, les rponses inconnues pour obtenir la surface de rponse.
Les points dexpriences retenus par la thorie des plans dexpriences assurent la
meilleure prcision possible sur la forme et la position de la surface de rponse.
1.6.4 Modlisation mathmatique a priori de la rponse
m Modlisation mathmatique
En labsence de toute information sur la fonction qui lie la rponse aux facteurs,
on se donne a priori une loi dvolution dont la formulation la plus gnrale est la
suivante :
{1.2}
y = f (x1,x2,x3,,xn)
Cette fonction est trop gnrale et il est dusage den prendre un dveloppement
limit de Taylor-Mac Laurin, cest--dire une approximation. Si les drives
peuvent tre considres comme des constantes, le dveloppement prcdent
prend la forme dun polynme de degr plus ou moins lev :
y = a 0 + a i x i + a ij x i x j + a ii x 2i +
12
{1.3}
o :
y est la grandeur laquelle sintresse lexprimentateur ; cest la rponse ou la
grandeur dintrt,
xi reprsente un niveau du facteur i,
xj reprsente un niveau du facteur j,
a0, ai, aij, aii sont les coefficients du polynme.
Ce modle est appel le modle a priori ou le modle postul.
Les modles tablis sont des modles de prvision valables dans le domaine dtude,
domaine que lon doit toujours prciser. Ce ne sont pas des modles thoriques
bass sur des lois physico-chimiques ou mcaniques. Dans quelques rares cas, il est
possible dutiliser des lois physiques thoriques connues.
m Modlisation exprimentale
Deux complments doivent tre apports au modle purement mathmatique

prcdemment dcrit.
Le premier complment est le manque dajustement. Cette expression traduit le fait
que le modle choisi par lexprimentateur avant les expriences est probablement
un peu diffrent du modle rel qui rgit le phnomne tudi. Il y a un cart
entre ces deux modles. Cet cart est le manque dajustement (lack of fit en anglais),
on le note par la lettre D.
Le second complment est la prise en compte de la nature alatoire de la rponse.
En effet, dans le cas gnral, si lon mesure plusieurs fois une rponse en un mme
point exprimental, on nobtiendra pas exactement le mme rsultat. Il y a une
dispersion des rsultats. Les dispersions ainsi constates sont appeles erreurs alatoires
ou erreurs exprimentales (pure error en anglais) et on les note par la lettre e.
La relation gnrale {1.2} doit tre modifie ainsi :
y = f (x1,x2,x3,,xn) + D + e
{1.4}
Cette relation sera exploite au cours du chapitre 5 o lon verra comment on estime
le manque dajustement D et lerreur alatoire e.
m Systme dquations
Chaque point exprimental apporte une valeur de la rponse. Or cette rponse est
modlise par un polynme dont les coefficients sont les inconnues quil faut
dterminer. la fin du plan dexpriences, on a un systme de n quations (sil y a
n essais) p inconnues (sil y a p coefficients dans le modle choisi a priori). Ce
systme scrit dune manire simple en notation matricielle :
y=Xa+e
{1.5}
o :
y est le vecteur des rponses,
X est la matrice de calcul des coefficients ou matrice du modle qui dpend des
points exprimentaux choisis pour excuter le plan et du modle postul,
a est le vecteur des coefficients,
e est le vecteur des carts.
13
Ce systme ne peut pas, en gnral, tre rsolu simplement car le nombre dquations est infrieur au nombre dinconnues. En effet, il y a n quations et p + n
inconnues. Cette rsolution ne peut tre mene bien que si lon utilise une
mthode de rgression. La plupart du temps cette mthode est base sur le critre
doptimisation des moindres carrs. On obtient ainsi les estimations des coefficients
que lon note
Le rsultat de ce calcul est :

{1.6}
= (X X) 1 X y
formule dans laquelle la matrice X est la matrice transpose de X (voir lannexe D
sur le calcul matriciel). Il existe de nombreux logiciels qui excutent ce calcul et
qui donnent directement les valeurs des coefficients.
Deux matrices interviennent constamment dans la thorie des plans dexpriences :
la matrice dinformation X X,
la matrice de dispersion (X X) 1.
14
2 VOTRE PREMIER PLAN DEXPRIENCES
Si vous avez lu le premier chapitre, vous en savez assez pour attaquer votre premier
plan dexpriences. Nous allons suivre la dmarche suivante dont les principales
tapes sont :
la prparation de ltude,
le choix du plan dexpriences,
lexprimentation,
linterprtation des rsultats,
larrt ou la poursuite de ltude.
Nous allons examiner ces diffrentes phases sur un premier exemple.
2.1 Exemple 01 : je matrise la consommation

de ma voiture
2.1.1 Prparation du plan dexpriences
Cette tape se dcompose en plusieurs parties dont les principales sont dcrites
dans les paragraphes suivants.
m Dfinition de lobjectif de ltude
Nous allons suivre la ralisation dune tude que tout le monde peut mettre sur
pieds. Lobjectif de ltude est de connatre la consommation dessence dune
voiture lorsquon roule plus ou moins charg et plus ou moins vite.
Ltude sera russie si on peut rpondre des questions telles que : Combien ma
voiture consomme-t-elle : si elle est vide ou non ? si je roule vite ou non ? si elle
est charge et si je roule vite ?
m Description des lments sur lesquels va porter lexprimentation
Je vais dcrire les essais que jai effectus sur ma propre voiture. Je vais tre le seul
conducteur et jeffectuerai les essais sur une autoroute. Si jen avais la possibilit, je
ferais les essais sur un circuit automobile o il est facile de respecter la plupart des
conditions imposes lexprimentation. Il est en effet plus facile de raliser des
essais sur un circuit, dans un laboratoire, un atelier pilote ou tout lieu spcialement
conu pour ce genre dactivit.
15
2 Votre premier plan

dexpriences
2.1 Exemple 01 : je matrise

la consommation de ma voiture
m Choix de la rponse permettant datteindre lobjectif
La rponse sera la consommation dessence en litres pour 100 kilomtres parcourus.

m Recherche des facteurs qui pourraient tre influents sur la rponse
Quels sont les facteurs qui peuvent modifier la consommation dune voiture ?
Il y a bien sr les deux facteurs que je vais tudier, la charge et la vitesse de la voiture.
Mais il y en a dautres. Par exemple, la marque et la pression de gonflage des pneumatiques, la prsence ou non dune galerie, la direction du vent, la pluie, le rglage
du moteur, le nombre darrts et de dmarrages, la route plus ou moins accidente.
Il est prudent de noter par crit tous les facteurs possibles. Pour remplir la liste
des facteurs et essayer de ne pas en oublier, on peut aller voir son garagiste pour lui
demander sil ne connat pas dautres facteurs pouvant augmenter ou rduire la
consommation. On a toujours intrt bien faire le tour du problme. On ne sera
pas oblig dtudier tous les facteurs mais on connatra ceux qui pourraient tre
influents. Les facteurs qui ne seront pas tudis dans le plan dexpriences seront, en
gnral, fixs un niveau constant pendant toute lexprimentation.
m Dfinition des niveaux des facteurs
Il sagit de choisir les niveaux haut et bas de chaque facteur.

La vitesse ne devra pas tre trop faible et elle ne devra pas dpasser les limitations
imposes par la scurit. Dans notre exemple, le niveau bas sera de 80 km/h et le
niveau haut de 120 km/h.
La charge vide est dfinie par la prsence du conducteur seul, sans aucun bagage. La
surcharge est dfinie par le poids ajout la charge vide. Sil y a 3 personnes supplmentaires et 25 kg de bagage par personne, la surcharge est denviron 3 70 = 210
pour les passagers et 4 25 = 100 kg pour les bagages des quatre personnes bord,
soit environ 300 kg de surcharge. Au lieu de faire appel ses voisins pour les essais,
on pourra utiliser des gueuses de fonte rgulirement reparties sur les siges et dans
le coffre. Le poids total des gueuses est de 300 kg.
Le niveau bas du facteur charge sera : la voiture et le conducteur seul et sans bagage.
Le niveau haut du facteur charge sera : la voiture, le conducteur et une charge
supplmentaire de 300 kg rgulirement rpartie.
Il est bon de rsumer ces niveaux dans un tableau (Tableau 2.1).
Tableau 2.1 Facteurs et domaine dtude.
Facteur
Niveau bas ()
Niveau haut (+)
Vitesse (1)
80 km/h
120 km/h
Surcharge (2)
300 kg
Ce tableau est important car les conclusions de lexprimentation ne seront valables

qu lintrieur de ce domaine dtude. Si lon charge la voiture 400 kg et que
lon roule 130 km/h, on ne pourra pas utiliser les conclusions de cette tude.
16

dexpriences

m Examen des contraintes
Lorsque lon roule, la quantit dessence diminue. Le poids du vhicule est donc
modifi au cours de lexprimentation. Il faudra commencer chaque essai avec le
rservoir plein pour que le facteur diminution dessence au cours de lessai nait
pas trop dinfluence. Cela oblige dbuter le parcours dans une station service.
Il faudra quil fasse le mme temps pour tous les essais (temprature, vent, pluie).
On choisira donc de faire les essais le mme jour et, si possible, un jour de beau
temps sans vent ni pluie. La longueur du parcours devra tre compatible avec cette
contrainte.
On choisira le mme parcours et dans le mme sens pour chaque essai pour que
linfluence des ctes et des descentes soit toujours la mme.
On vrifiera que les pneus sont bien gonfls la mme pression avant chaque essai.
On peut ainsi faire une liste de prcautions prendre pour tenir compte des
contraintes.
2.1.2 Choix du plan dexpriences
On sait quil y a deux facteurs tudier. Les niveaux bas et haut de chaque facteur
ont t dfinis. Les facteurs conserver constants pendant lexprimentation sont :
le parcours et par consquent le kilomtrage, le sens du parcours, le point de
dpart, le point darrive et la pression des pneus.
Ayant deux facteurs prenant chacun deux niveaux, le plus simple est de choisir un
plan dexpriences factoriel complet 22. La dnomination 22 a la signification
suivante : le 2 en exposant indique le nombre de facteurs, lautre 2 indique les nombres
de niveaux des facteurs. Ce plan est bien adapt notre problme puisquil correspond exactement deux facteurs prenant chacun deux niveaux. Les points dexpriences ont pour coordonnes les niveaux bas et les niveaux hauts des facteurs.
On peut prsenter ce plan de plusieurs manires qui se compltent les unes les autres.
On peut dabord dessiner le domaine dtude dans lespace exprimental, puis
ajouter les points dexpriences en tenant compte de leurs coordonnes (Figure 2.1).
On peut aussi reprsenter les expriences faire sous forme de tableaux, en utilisant soit les grandeurs habituelles ou lgales (km/h et kg), soit les grandeurs
codes. Avec les grandeurs lgales, le tableau prend le nom de tableau dexprimentation ou de matrice dexprimentation. Avec les grandeurs codes, le tableau prend
le nom de plan dexpriences ou de matrice dexpriences.
La premire colonne de la matrice dexprimentation est utilise pour indiquer les
noms des essais (Tableau 2.2). On peut soit les numroter, soit leur donner un
nom. La deuxime colonne est celle du premier facteur, on y indique successivement les niveaux quil faut donner ce facteur. La troisime colonne est celle du
deuxime facteur et on y indique galement les niveaux de ce facteur. Le premier
essai, essai n 1 ou essai A, sera excut avec une vitesse de 80 km/h et sans
surcharge. Le deuxime essai, essai n 2 ou essai B, sera excut avec une vitesse de
120 km/h et sans surcharge. Le troisime essai, essai n 3 ou essai C, sera excut
avec une vitesse de 80 km/h et avec une surcharge de 300 kg. Enfin le quatrime
essai, essai n 4 ou essai D, sera excut avec une vitesse de 120 km/h et avec une
surcharge de 300 kg. Ce tableau est trs utile pour lexcution des essais.
17

dexpriences

Facteur 2
Surcharge
D
C
300 kg
+1
Domaine d'tude
0 kg
1
80 km/h
+1
120 km/h
Facteur 1
Vitesse
Figure 2.1 Reprsentation du plan dexprimentation.

Tableau 2.2 Matrice dexprimentation.
Essai n
Vitesse
Facteur 1
Surcharge
Facteur 2
1 (A)
80 km/h
0 kg
2 (B)
120 km/h
0 kg
3 (C)
80 km/h
300 kg
4 (D)
120 km/h1
300 kg
Tableau 2.3 Matrice dexpriences.

Essai n
Vitesse
Facteur 1
Surcharge
Facteur 2
1 (A)
2 (B)
+1
3 (C)
+1
4 (D)
+1
+1
Niveau 1
80 km/h
0 kg
Niveau +1
120 km/h
300 kg
La premire colonne de la matrice dexpriences (Tableau 2.3) est utilise de la

mme manire pour indiquer les noms des essais. La deuxime colonne est celle
du premier facteur, on y indique successivement les niveaux quil faut donner ce
18

dexpriences

facteur mais cette fois sous forme code cest--dire avec des 1 et des +1. La troisime colonne est celle des niveaux cods du deuxime facteur. On trouve deux
lignes en bas du tableau pour indiquer la signification des niveaux 1 et +1 de
chaque facteur. Ce tableau est utilis lors de la construction du plan.
Pour linterprtation des rsultats dessais, on utilise soit la matrice dexprimentation, soit la matrice dexpriences selon les faits que lon veut mettre en vidence.
2.1.3 Exprimentation
Cest la partie technique de ltude. Il faut que les essais soient mens avec beaucoup de soin et il faut tre sr de la qualit des rsultats. Pour le prsent exemple,
lordre des essais a peu dimportance, mais nous verrons que ce nest pas toujours
le cas. Nous tudierons au chapitre 8 les principes qui rgissent le choix de lordre
des essais. Dans le cadre de ltude en cours, il est facile de changer la vitesse dun
essai lautre. En revanche, il serait maladroit de charger la voiture pour le premier
essai, de la dcharger pour le second et de la recharger pour le troisime ou le
quatrime essai. On fera donc, en premier, les essais n 1 et 2, puis les essais n 3 et
4. On pourrait aussi faire dabord les essais n 3 et 4, puis les essais n 1 et 2. Dans
les deux cas, il ny a quun seul chargement faire.
Le parcours a t choisi et fait 120 km de long, soit 5 heures de conduite. Les
temps darrt la pompe essence, de mesure de la consommation, de la vrification de la pression des pneumatiques et de chargement de la voiture sont estims
environ 2 heures. On pourra faire les essais en une journe.
On excute lessai n 1 (80 km/h et sans surcharge) et on note la consommation
dessence. On trouve 10 litres soit une consommation de 8,3 litres aux 100 kilomtres. Le deuxime essai (120 km/h et sans surcharge) donne une consommation
de 10,7 litres aux 100 kilomtres. Les deux autres essais (essais n 3 et 4) fournissent
respectivement une consommation de 9,7 et de 12,3 litres aux 100 kilomtres. Les
rsultats sont consigns dans une quatrime colonne de la matrice dexprimentation
ou de la matrice dexpriences (Tableau 2.4).
Tableau 2.4 Matrice dexpriences et rsultats.
N essai
Vitesse
Facteur 1
Surcharge
Facteur 2
Consommation
(l/100 km)
1 (A)
18,3
2 (B)
+1
10,7
3 (C)
+1
9,7
4 (D)
+1
+1
12,3
Niveau 1
80 km/h
0 kg
Niveau +1
120 km/h
300 kg
19

dexpriences

On peut reporter ces rsultats sur le domaine dtude (Figure 2.2).

Facteur 2
Surcharge (kg)
9,7
300
+1
150
12,3
D
8,3
10,7
80
+1
Facteur 1
100
120
Vitesse (km/h)
Figure 2.2 Valeur de la rponse en divers points du domaine dtude.
2.1.4 Signification des coefficients
Ces consommations tant mesures, il ne semble pas facile den donner une interprtation simple. En effet on aimerait rpondre des questions comme : Quelle
est la consommation de ma voiture quand je la charge 100 kg et que je roule
90 km/h ? ou Quelle est la consommation supplmentaire quand je roule
100 km/h au lieu de 80 km/h avec une surcharge de 150 kg ? Les rponses ces
questions existent. Elles se cachent dans les rsultats que nous avons enregistrs,
mais pour le moment nous ne les voyons pas. Il va falloir que nous transformions
nos rsultats bruts pour en avoir une vision claire et prcise. Cest la phase dinterprtation. Les logiciels de plans dexpriences vont maintenant prendre de
limportance car ce sont eux qui vont nous aider raliser toutes les transformations qui nous sont ncessaires et toutes les illustrations qui nous aideront bien
comprendre les rsultats.
Le modle postul des plans factoriels complets 22 est :
{2.1}
y = a0 + a1x1 + a2x2 + a12x1x2
o :
y est la rponse, dans cet exemple, la consommation dessence ;
x1 reprsente le niveau du facteur 1 (la vitesse), dans cet exemple 80 km/h (ou
1) et 120 km/h (ou +1) selon les essais ;
x2 reprsente le niveau du facteur 2 (la surcharge), dans cet exemple 0 kg (ou
1) et 300 kg (ou +1) selon les essais ;
x1x2 est le produit des niveaux des facteurs 1 et 2 ; dans cet exemple, en units
codes, ce produit est gal 1 (x1x2 = 1 +1 = +1 1 = 1) ou +1 (x1x2
= 1 1 = +1 +1 = +1) ;
20

dexpriences

a0 est le coefficient constant du modle ;

a1 est le coefficient du facteur 1 ;
a2 est le coefficient du facteur 2 ;
a12 est le coefficient du terme x1x2.
Ce modle est appel modle polynomial du premier degr avec interactions ou modle
PDAI et nous allons examiner la signification de ses coefficients.
m Signification du coefficient constant
Pour trouver la signification du coefficient constant a0, il suffit de donner la valeur

0 (units codes) aux niveaux des deux facteurs. Le point reprsentatif de lexprience correspondante est alors au centre du domaine dtude (Figure 2.3) et la
rponse en ce point a pour valeur y0.
Facteur 2
Surcharge (kg)
D
C
300
+1
150
y0
y1
A
0
y4
y3
y2
+1
Facteur 1
80
100
120
Vitesse (km/h)
Figure 2.3 Le coefficient constant a pour valeur la rponse au centre du domaine dtude.
La relation {2.1} devient :

y = a0 + a1 0 + a2 0 + a12 0 0
y0 = a0
La valeur du coefficient constant a0 est gale la rponse au centre du domaine
dtude.
m Signification du coefficient du facteur 1
Considrons les deux points B et D qui se trouvent au niveau haut du facteur 1.

Les coordonnes de ces points sont, en units codes :
x = +1
x = +1
B 1
D 1
x2 = 1
x 2 = +1
21

dexpriences

La rponse au point B est y2, rponse que lon peut crire en remplaant les
niveaux par leurs valeurs en units codes :
y2 = a0 + a1 (+1) + a2 (1) + a12 (+1) (1) = a0 + a1 a2 a12
La rponse au point D est y4, que lon peut crire en remplaant les niveaux par
leurs valeurs en units codes :
y4 = a0 + a1 (+1) + a2 (+1) + a12 (+1) (+1) = a0 + a1 + a2 + a12
Additionnons les deux rponses y2 et y4 :
y2 + y4 = 2(a0 + a1)
Faisons le mme calcul pour les points A et C qui se trouvent au niveau bas du
facteur 1 et o les rponses sont respectivement y1 et y3. On obtient :
y1 + y3 = 2(+a0 a1)
Si on soustrait ces deux dernires relations, on a :
4a1 = y1 + y2 y3 + y4
relation que lon peut crire :
1 y2 + y4 y1 + y3
a 1 = --- -------------- --------------2
2
2
y2 + y4
- est la moyenne des rponses au niveau haut du facteur 1. On nomme
Or -------------2
y1 + y3
- , cest la moyenne des rponses au
cette moyenne y + . Quant lexpression -------------2
niveau bas du facteur 1, soit y . On peut crire :
1
a 1 = --- [ y + y ]
2
Le coefficient a1 est donc la demi-diffrence entre la moyenne des rponses au niveau
haut du facteur 1 et la moyenne des rponses au niveau bas du mme facteur 1.
Quand on passe du niveau bas au niveau haut, la rponse varie, en moyenne,
comme la diffrence [ y + y ] . Si cette diffrence est grande, la rponse varie beaucoup, si cette diffrence est faible, la rponse varie peu. On a donc l un moyen de
savoir comment la rponse varie en fonction du facteur 1. Cest la raison pour
laquelle on appelle le coefficient a1 leffet du facteur 1.
Application
On connat les quatre rponses, on peut donc calculer facilement le coefficient :

1
a 1 = --- [ y 1 + y 2 y 3 + y 4 ]
4
1
a 1 = --- [ 8,3 + 10,7 9,7 + 12,3 ] = 1,25
4
Leffet de la vitesse (facteur 1) est de 1,25 litre aux 100 kilomtres. Cela signifie que, si la vitesse
passe de 80 100 km/h, la consommation augmente, en moyenne, de 1,25 litre aux 100 kilomtres.
Si la vitesse passe de 80 120 km/h, la consommation augmente de 2,50 litres aux 100 kilomtres.
22

dexpriences

m Reprsentation du coefficient du facteur 1
La moyenne des rponses au niveau haut du facteur 1, y + , est situe sur la surface
de rponse et se trouve laplomb du point M+, milieu du segment BD (Figure 2.4).
Il a donc pour coordonnes :
M+
x 1 = +1
x2 = 0
La moyenne des rponses au niveau bas du facteur 1 est situe sur la surface de
rponse et se trouve laplomb du point M , milieu du segment AC. Il a donc
pour coordonnes :
M
x 1 = 1
x2 = 0
D
Rponse
y4
(12,3)
(Consommation)
(9,7)
y3
y0
(9)
(8,3)
y1
g
ar
ch
r
u
(S
2
ur
te
c
Fa
(300)
(150)
+1
(11,5)
M+
y2
M' -
y+
e)
B
(10,7)
M-
M+
(0)
1
B
+1
(80)
(100)
(120)
Facteur 1
(Vitesse)
Figure 2.4 Le coefficient du facteur 1 est la pente de la droite

qui joint les deux rponses y + et y + .
La variation de la rponse entre la moyenne des rponses au niveau haut du

facteur 1, y + , et la moyenne des rponses au niveau bas de ce mme facteur y est
y + y , cest--dire deux fois le coefficient a1.
23

dexpriences

Le coefficient a1 est donc gal la variation de la rponse entre y0, rponse au centre
du domaine dtude, et y + , moyenne des rponses au niveau haut du facteur 1. On
peut galement regarder le coefficient a1 comme la pente de la droite M M + .
On peut dire aussi que le coefficient a1 est gal la variation moyenne de la
rponse quand le facteur 1 passe du niveau zro au niveau haut. Il reprsente donc
linfluence du facteur 1 dans le domaine dtude.
m Illustration de leffet du facteur 1
On a lhabitude pour faire apparatre clairement la droite M M + et illustrer

leffet du facteur 1, dextraire le plan M+ M M M + de la figure 2.4. On
obtient la figure 2.5 qui est beaucoup plus facile lire.
Rponse
M +
y+
Effet du Facteur 1
y0
M
M+
Facteur 1
+1
Figure 2.5 Illustration de leffet du facteur 1.
Leffet du facteur 1 peut tre positif ou ngatif suivant le signe du coefficient.

Application
Consommation
(l / 100 km)
M +
11,5
Effet de la vitesse : 1,25 l /100 km
10,25
M
M+
80
100
120
Vitesse (km/h )
Figure 2.6 Illustration de leffet de la vitesse.
24

dexpriences

La moyenne des consommations au niveau haut de la vitesse (facteur 1) est :

y2 + y4
10,7 + 12,3
y + = -------------- = --------------------------- = 11,5
2
2
La moyenne des consommations au niveau bas de la vitesse (facteur 1) est :

y1 + y3
8,3 + 9,7
y = -------------- = --------------------- = 9
2
2
La consommation passe, en moyenne, de 9 11,5 litres aux 100 kilomtres quand la vitesse passe
de 80 120 km/h. La consommation au centre est la moiti des deux moyennes, soit 10,25 litres
aux 100 kilomtres.
La consommation passe, en moyenne, de 10,25 11,5 litres aux 100 kilomtres quand la vitesse
passe de 100 120 km/h. Cette augmentation de 1,25 litre aux 100 kilomtres reprsente leffet
du facteur vitesse (Figure 2.6).
m Signification du coefficient du facteur 2
De la mme manire, on montre que le coefficient a2 est gal la variation

moyenne de la rponse quand le facteur 2 passe du niveau zro au niveau haut. Il
reprsente linfluence du facteur 2 dans le domaine dtude. On lappelle effet du
facteur 2 .
Dune manire gnrale, quand le modle choisi est un polynme, les coefficients
des termes du premier degr sont les effets des facteurs.
Application
On connat les quatre rponses, on peut donc calculer facilement le coefficient a2 :

1
a 2 = --- [ y 1 y 2 + y 3 + y 4 ]
4
1
a 2 = --- [ 8,3 10,7 + 9,7 + 12,3 ] = 0,75
4
Leffet de la surcharge (facteur 2) est de 0,75 l aux 100 km. Cela signifie que, si la surcharge passe
de 0 150 kg, la consommation augmente en moyenne de 0,75 l aux 100 km. Si la surcharge passe
de 0 300 kg la consommation augmente de 1,50 l aux 100 km.
Consommation
(l / 100 km)
M +
11
Effet de la surcharge : 0,75 l/100 km
10,25
M -
9,5
M+
150
300
Surcharge (kg)
Figure 2.7 Illustration de leffet de la surcharge.
25

dexpriences

La moyenne des consommations au niveau haut de la surcharge (facteur 2) est :

y3 + y4
9,7 + 12,3
y + = -------------- = ------------------------ = 11
2
2
La moyenne des consommations au niveau bas de la surcharge (facteur 2) est :

y1 + y2
8,3 + 10,7
y = -------------- = ------------------------ = 9,5
2
2
La consommation passe, en moyenne, de 9,5 11 l aux 100 km quand la surcharge passe de 0

300 kg. La consommation au centre est la moiti des deux moyennes, soit 10,25 l aux 100 km.
La consommation passe, en moyenne, de 10,25 11 l aux 100 km quand la surcharge passe de 150
300 kg. Cette augmentation de 0,75 l aux 100 km est leffet du facteur surcharge (Figure 2.7).
m Signification du coefficient a12
On peut calculer le coefficient a12 par une mthode analogue celle qui a t
utilise pour les coefficients a1 et a2. On trouve que le coefficient a12 est gal :
1 y4 y3 y2 y1
- --------------a 12 = --- -------------2
2
2
y4 y3
Or --------------- est leffet du facteur 1 lorsque le facteur 2 est au niveau haut. Cest la
2
moiti de la variation de la rponse entre y4 et y3. Cet effet est illustr par la pente
de la droite CD (Figure 2.4 et Figure 2.8).
Rponse
D
y4
Effet du facteur 1
au niveau haut du facteur 2
y3
y2
y1
Effet du facteur 1
au niveau bas du facteur 2
+1
Facteur 1
Figure 2.8 Illustration dune interaction entre deux facteurs.
y2 y1
- est leffet du facteur 1 lorsque le facteur 2 est au niveau bas.
Lexpression -------------2
Cest la moiti de la variation de la rponse entre y2 et y1. Cet effet est illustr par
la pente de la droite AB (Figure 2.8).
Le coefficient a12 est la moiti de la diffrence entre ces deux effets.
26

dexpriences

Le coefficient a12 mesure donc la variation de leffet du facteur 1 quand le niveau

du facteur 2 est modifi. On peut aussi montrer que le mme coefficient a12 mesure
galement la variation de leffet du facteur 2 quand le niveau du facteur 1 est, lui
aussi, modifi.
Le coefficient a12 est appel linteraction entre les facteurs 1 et 2.
On peut illustrer une interaction entre deux facteurs en extrayant de la figure 2.4
les plans ABAB (niveau bas du facteur 2), et CDCD (niveau haut du facteur 2)
et en projetant ces plans sur un mme plan (Figure 2.8).
Sil ny a pas dinteraction entre deux facteurs, les pentes des droites AB et CD
sont les mmes.
Sil y a interaction entre deux facteurs, les pentes des deux droites prcdentes ne sont
pas les mmes. Linteraction est dautant plus forte que les pentes sont diffrentes.
Application
On peut donc calculer linteraction avec la relation :
a 12
1
a 12 = --- [ +y 1 y 2 y 3 + y 4 ]
4
1
= --- [ +8,3 10,7 9,7 + 12,3 ] = 0,05
4
Linteraction entre les facteurs 1 et 2 est de 0,05 l aux 100 km. Cela signifie que leffet de la vitesse
est un peu plus lev quand on se trouve en surcharge. Quand la vitesse est de 80 km/h, leffet de la
surcharge est de 0,7 l aux 100 km. Quand la vitesse est de 120 km/h, leffet de la surcharge est de
0,8 l aux 100 km.
Cela signifie aussi que leffet de la surcharge est plus important quand on roule vite. Quand il ny a
pas de surcharge, leffet de la vitesse est de 1,2 l aux 100 km. Quand la surcharge est de 300 kg,
leffet de la vitesse est de 1,3 l aux 100 km (Figure 2.9).
Consommation
(litres aux 100 km)
D
12,3
Effet de la Vitesse
pour 300 kg de surcharge
1,30 l /100 km
10,7
9,7
8,3
Effet de la Vitesse
sans surcharge
C
1,20 l /100 km
80
100
120
Vitesse (km/h )
Figure 2.9 Illustration de linteraction entre la vitesse et la surcharge.

Cette interaction est trs faible puisque les deux droites ont presque la mme pente.
27

dexpriences

2.1.5 Interprtation des rsultats des calculs
On connat maintenant, les valeurs :

du coefficient constant : a0 = 10,25 ;
du coefficient du facteur 1 (vitesse) : a1 = 1,25 ;
du coefficient du facteur 2 (surcharge) : a2 = 0,75 ;
de linteraction a12 entre la vitesse et la surcharge : a12 = 0,05.
On peut reporter ces valeurs dans la relation {2.1} du modle postul :
y = 10,25 + 1,25 x1 + 0,75 x2 + 0,05 x1x2
{2.2}
On comprend quavec ce modle, on puisse calculer toutes les rponses dans le

domaine dtude. Il suffit dattribuer des valeurs aux niveaux x1 et x2 pour obtenir
immdiatement la consommation. Le modle tant en units centres rduites, il
faut faire les calculs dans ces units et transformer ensuite les rsultats obtenus en
units lgales. Si lon veut utiliser les units lgales directement, il faut transformer
la relation {2.2}. Dans ce cas, il suffit dappliquer la relation {1.1} :
AA
x = ---------------0
Pas
Facteur 1 (vitesse) :
A1 A0
A 1 100
- = -------------------x 1 = ----------------Pas 1
20
Facteur 2 (surcharge) :
A2 A0
A 2 150
- = -------------------x 2 = ----------------Pas 2
150
A 100
A 2 150
A 100 A 2 150
y = 10,25 + 1,25 -----1- --------- + 0,75 -------- --------- + 0,05 -----1- --------- -------- -------- 20 20
150 150
20 20 150 150
0,05A
A2
1,25A 0,75A
5
y = 10,25 125
- 1
--------- 0,75 + ----------------1 + ----------------2- + ----------------1- ------ -------
20
150
20
20
20 150
0,05A A 2
0,75
5
5
y = 3,25 + ----- + 1,25
---------- 0,05
---------- A 1 + ---------- --------------------- A 2 + ----------------1 -------20 150
150 20 150
20
20
20
Do la relation en units lgales :
y = 3,5 + 0,06A1 + 0,0033A2 + 0,0000167A1A2
{2.3}
On peut donc rpondre facilement aux questions du dbut du paragraphe 5 en
utilisant soit la relation {2.2} soit la relation {2.3}.
Application
La question tait : Quelle est la consommation de ma voiture quand je la charge 100 kg et que
je roule 90 km/h ? Appliquons la relation {2.3} :
y = 3,5 + 0,06 90 + 0,00333 100 + 0,0000167 90 100
y = 3,5 + 5,4 + 0,333 + 0,150 = 9,383
28

dexpriences

La rponse est : Si je roule 90 km/h avec une surcharge de 100 kg, je consommerai 9,38 l aux
100 km.
Application
La question tait : Quelle est la consommation supplmentaire quand je roule 100 km/h au lieu
de 80 km/h avec une surcharge de 150 kg ? Commenons par transformer les units lgales en
units codes :
80 km/h = niveau 1
100 km/h = niveau 0
150 kg = niveau 0
et appliquons la relation {2.2} :
y = 10,25 + 1,25 (1) + 0,75 (0) + 0,05(1 0)
y = 10,25 1,25 = 9
Quand je roule au niveau 1 (80 km/h) avec une surcharge au niveau 0 (150 kg), je consomme
9 litres de carburant aux 100 kilomtres.
y = 10,25 + 1,25 (0) + 0,75 (0) + 0,05(0 0)
y = 10,25
Quand je roule au niveau 0 (100 km/h) avec une surcharge au niveau 0 (150 kg), je consomme
10,25 litres de carburant aux 100 kilomtres.
La rponse est donc : avec une surcharge de 150 kg, la consommation augmente de 1,25 l aux
100 km quand je passe de 80 100 km/h.
Il est donc possible de rpondre aux questions poses ainsi qu beaucoup dautres
faisant intervenir la vitesse et la charge. Mais ne trouvez-vous pas que ces calculs
sont fastidieux, quils ne sont gure enrichissants et que notre esprit pourrait tre
utilis des tches plus productives ? Cest pourquoi nous vous conseillons
dutiliser un logiciel de plan dexpriences. Tous les calculs que nous avons vus, et
beaucoup dautres, sont raliss avec facilit et rapidit. Les logiciels permettent
aussi de tracer des graphiques faisant ressortir les principales caractristiques de
ltude. Ils multiplient la puissance de raisonnement de lexprimentateur et ralisent des calculs impossibles faire la main. En effet, ds que le nombre de
facteurs augmente, les calculs se compliquent et lutilisation dun logiciel facilite
considrablement la tche de lexprimentateur.
titre dexemple les deux diagrammes suivants montrent la puissance des logiciels. Le premier diagramme (Figure 2.10) indique leffet des deux facteurs, vitesse
et surcharge, ainsi que la valeur correspondante de la rponse. Ce diagramme est
interactif, on peut choisir les niveaux que lon veut dans tout le domaine dtude.
Pour chaque couple de niveaux, on obtient la valeur de la rponse. On peut donc
facilement rpondre la premire question sans tre oblig de faire le dtail des
calculs. Ce mme diagramme permet aussi de rpondre la deuxime question.
Le deuxime diagramme (Figure 2.11) indique les courbes isorponses dans le
domaine dtude. Par exemple, la courbe 10 indique toutes les combinaisons de
vitesse et de surcharge qui engendrent une consommation de 10 l de carburant
aux 100 km. Si lon ne veut pas dpasser une consommation de 11 l aux 100 km,
on voit comment il faut adapter sa vitesse en fonction de la surcharge. Par exemple
si la surcharge est de 200 kg, il ne faudra pas dpasser 107,9 km/h.
29

dexpriences

Rponse
12,3
9,38
8,3
90
80
120
Vitesse
100
300
Surcharge
Figure 2.10 Valeur de la rponse en divers points du domaine dtude.

300
12
11,5
11
200
10,5
Surcharge
10
9,5
9
8,5
0
80
107,9
Vitesse
120
Figure 2.11 Avec une surcharge de 200 kg on limitera la vitesse 107,9 km/h
pour ne pas consommer plus de 11 l aux 100 km.
Si vous voulez raliser vous-mme ces calculs et ces graphiques, consultez le chapitre 14
o vous trouverez les explications dtailles pour mener bien ces oprations.
Vous pouvez aussi consulter le site http://www.plansdexperiences.com consacr
aux exemples de ce livre.
30
3 PLAN DEXPRIENCES POUR 3 FACTEURS
Le chapitre prcdent tait destin vous montrer que, mme sur un exemple
simple ne comprenant que deux facteurs, on pouvait tirer beaucoup de renseignements partir de quatre essais seulement. Si beaucoup dinformations peuvent tre
extraites dune tude faisant intervenir deux facteurs, on comprend quune tude
de plusieurs facteurs soit encore plus fructueuse. Cest la raison pour laquelle les
plans multifactoriels vont tre dcrits maintenant. Nous commencerons par trois
facteurs et nous verrons une tude de sept facteurs. Les principes tant toujours les
mmes quel que soit le nombre de facteurs, il est tout fait possible daller plus
loin et on trouve dans les articles publis ou dans les archives des socits des plans
de plus de dix facteurs. Au-del, les difficults rencontres ne concernent pas la
thorie mais la mise en uvre et le contrle des niveaux des facteurs pendant
lexprimentation. En effet, pour onze facteurs il faut contrler tous les niveaux
chaque essai et tre absolument sr quils sont tous parfaitement respects. Si lon
ralise 12 essais, cela fait 132 niveaux garantir. La moindre erreur risque de
compromettre ltude. Dans le cas des simulations numriques, il est facile de
programmer le passage des calculs et dtre sr du respect des niveaux. Il ny a alors
plus aucune limite au nombre de facteurs tudis.
3.1 Exemple 02 : des bijoux en or

3.1.1 Prparation de ltude
m Description de ltude
Le grand intrt de lor est quil ne soxyde pas et garde toujours son brillant et sa
belle couleur dore. Mais, cest un mtal cher et cest pourquoi beaucoup dobjets
sont simplement recouverts dune fine couche dor qui les protge et leur donne
lapparence de lor massif. Les bijoux plaqus or sont recouverts dun fin dpt
dor qui doit avoir le mme aspect que lor mais aussi des proprits de rsistance
mcanique qui assurent leur longvit. Ces dpts sont effectus par lectrolyse.
Le mtal recouvrir dor est plong dans une solution contenant un sel dor et il
est reli la cathode dune pile lectrique (Figure 3.1). Ces dpts doivent possder
de bonnes proprits mcaniques pour rsister aux diverses sollicitations
auxquelles ils seront soumis. Pour amliorer leur qualit, il est coutume de former
des alliages en ajoutant dautres mtaux en prsence dadditifs. Les alliages les plus
utiliss sont gnralement base de nickel ou de cobalt.
31
3 Plan dexpriences
pour 3 facteurs
Dans la prsente tude, on examine les alliages dor et de cobalt. Pour cela on
ralise une solution dlectrolytes contenant des cyanures de ces deux mtaux.
Objet
recouvrir dor
lectrolyte contenant
des sels d'or et de cobalt
+
Batterie lectrique
Figure 3.1 Schma de principe des dpts lectrolytiques dor.

Les objectifs de ltude sont :

Raliser le dpt le plus vite possible en respectant les impratifs de qualit.
Obtenir une teneur en cobalt comprise entre 3 500 et 4 500 ppm dans lalliage
du dpt.
Ltude sera russie si on peut donner des consignes de rglage des facteurs pour
atteindre les deux objectifs.
La premire rponse correspond au premier objectif. On choisira donc la vitesse

de dpt et elle sera mesure en milligrammes par minute (mg/min). Pour
assurer la rentabilit du procd, il faut une vitesse de dpt au moins gale
80 mg/min.
La seconde rponse correspond au second objectif. On choisira donc la teneur
en Cobalt de lalliage. Cette teneur sera mesure en partie par million (ppm).
Pour assurer la qualit du dpt, la teneur en cobalt de lalliage doit tre comprise
entre 3 500 et 4 500 ppm.
Quels sont les facteurs qui peuvent modifier la vitesse de dpt et la teneur en
cobalt de lalliage ? Pour essayer de ne pas oublier de facteurs, il faut procder
mthodiquement. Il faut analyser tous les grands secteurs pouvant faire intervenir
des facteurs modifiant les rponses choisies. On utilise souvent la mthode de
larte de poisson dIshikawa (Figure 3.2) associe la mthode des 6M (Mthode,
Matires, Milieu, Main duvre, Machines et Mesures). Cette mthode consiste
segmenter la recherche des facteurs ayant une possible influence sur les rponses.
Par exemple, on se demande dabord si les Matires premires ont une influence.
32
3 Plan dexpriences
pour 3 facteurs
Dans le cas de la prsente tude lorigine et la puret du sel dor peuvent modifier
les rsultats, la nature du sel dor galement. Il en est de mme du cobalt, des additifs,
de leau et mme du courant lectrique. Aprs lexamen des matires premires, on
sintresse aux mthodes employes, cest--dire aux conditions opratoires : intensit et voltage au cours de llectrolyse, lectrolyse en continue ou par squences,
etc. Cette qute systmatique des facteurs permet de faire le tour du problme et
dviter les gros oublis.
Mthodes
Agitation Forme
Racteur
Mthodes
Temprature
Voltage
Nature Origine
Sels d'or et
de Cobalt
Concentration
Densit
de courant
Intensit
Balance
Ampremtre
Soin
lectricit
Habilet
lectrodes
Voltmtre
Mthodes
de mesure
Mesures
Formation
Or
Eau
Cobalt
Racteur Temprature
Support
Moyens
Matires
premires
Sels
Addidif
lectricit
Origine Nature
Humidit
Puret
Vitesse
de dpt
clairage
Teneur
en Cobalt
Pression
Milieu
Figure 3.2 Exemple simplifi de diagramme dIshikawa.
titre dexemple nous avons construit un diagramme dIshikawa runissant quelques facteurs pouvant tre influents et nous en avons donn un dbut de liste pour
illustrer la dmarche (les chercheurs qui ont ralis cette tude en avaient fait, eux,
une liste bien plus complte) :
temprature de la solution dlectrolyte,
pH de la solution dlectrolyte,
concentration en lor de llectrolyte,
nature et concentration des additifs ajouts llectrolyte,
concentration en cobalt de llectrolyte,
nature du support,
surface du support,
mouvement du support,
position des lectrodes,
forme du racteur,
agitation de la solution,
forme des lectrodes,
densit de courant, intensit, voltage, etc.
partir de cette liste, on slectionne les facteurs que lon pense tre influents et on
les divise en deux catgories : les facteurs qui seront tudis grce au plan dexpriences et les facteurs qui ne seront pas tudis au cours de lexprimentation mais
33
3 Plan dexpriences
pour 3 facteurs
dont les niveaux seront fixs toujours la mme valeur. Dans cette tude, trois facteurs
ont t retenus pour construire le plan dexpriences :
concentration en or de la solution dlectrolyte,
densit de courant,
concentration en cobalt de la solution dlectrolyte.
Les autres facteurs slectionns qui peuvent modifier les rponses seront fixs un
niveau constant pour tous les essais. Par exemple, on a fix les facteurs suivants :
le pH est fix 4,5 ;

la nature et lorigine des sels ;
la nature et lorigine des additifs ;
le racteur et les lectrodes resteront les mmes ;
les conditions lectriques de llectrolyse ;
la temprature du bain dlectrolyse, etc.
Les facteurs qui resteront fixes pendant lexprimentation et les facteurs du plan
dexpriences sont les facteurs contrls. Tous les autres facteurs qui ne sont pas fixs
sont les facteurs non contrls. Si les facteurs non contrls ont peu dinfluence ou
sils restent au mme niveau pendant tous les essais, ils nentraneront que de petites
variations. Les facteurs non contrls sont lorigine de lerreur exprimentale. Si,
par un mauvais hasard, un facteur influent na pas t pris en compte et quil change
de niveau pendant lexprimentation, il grossirait considrablement lerreur exprimentale et risquerait de compromettre ltude. Il faut donc tre vigilant quand
on tablit la liste des facteurs pour essayer de nen oublier aucun dimportant.
Lavantage de la mthode des plans dexpriences par rapport la mthode classique, est dobliger lexprimentateur rflchir ce problme et de lui viter
dventuels oublis.
m Dfinition des niveaux des facteurs
Il sagit de choisir les niveaux hauts et bas des trois facteurs retenus :
concentration en or dans la solution dlectrolyte (en grammes par litre),
densit de courant pendant llectrolyse (en ampres par dcimtre carr),
concentration en cobalt dans la solution dlectrolyte (en grammes par litre).
Il est bon de rsumer ces niveaux dans un tableau (Tableau 3.1).
34
Facteur
Niveau bas ()
Niveau haut (+)
Concentration en or (1)
2 g/l
15 g/l
Densit de courant (2)
5 A/dm2
25 A/dm2
Concentration en cobalt (3)
0,5 g/l
1,5 g/l
3 Plan dexpriences
pour 3 facteurs
Nous insistons sur limportance de bien prciser les bornes du domaine dtude.
En effet, les conclusions de ltude ne sont valides qu lintrieur de ce domaine.
En dehors, on peut essayer de faire des projections de rsultats mais il ne faut, en
aucun cas, les considrer comme vraies et en tirer des conclusions.
3.1.2 Choix du plan dexpriences
Il y a trois facteurs tudier. Les niveaux bas et hauts de chaque facteur ont t
dfinis. Les niveaux des facteurs conserver constants pendant lexprimentation
ont galement t prciss et seront vrifis avant chaque essai.
Ayant trois facteurs prenant chacun deux niveaux, et comme on pense que le modle
du premier degr avec interactions (modle PDAI) est suffisant pour expliquer les
rsultats, il convient de choisir un plan dexpriences factoriel complet 23 :
y = a0 + a1x1 + a2x2 +a3x3 +a12x1x2 + a13x1x3 + a23x2x3 + a123x1x2x3 {3.1}
Nous verrons que si lon souponne un modle du second degr, on choisira un
plan diffrent. La dnomination 23 a la signification suivante : le 3 en exposant
indique le nombre de facteurs, le 2 indique le nombre de niveaux des facteurs.
On peut reprsenter ce plan par une figure (Figure 3.3) en indiquant le domaine
dtude et les points dexpriences. Les points dexpriences ont pour coordonnes
les niveaux bas et les niveaux hauts des facteurs. On peut galement reprsenter ce
plan par des matrices, la matrice dexprimentation (units normales) ou la matrice
dexpriences (units codes).
Concentration
en Cobalt
(Facteur 3)
Densit
de courant
(Facteur 2)
Concentration en Or
(Facteur 1)
Figure 3.3 Reprsentation du plan dexpriences.
La matrice dexprimentation (Tableau 3.2) comporte 6 colonnes : les noms des

essais, les trois facteurs et les deux rponses.
La matrice dexpriences (Tableau 3.3) comporte galement les mmes six colonnes,
mais deux lignes ont t ajoutes pour prciser la signification des niveaux 1
et +1.
Pour linterprtation des rsultats dessais, on utilise soit la matrice dexprimentation,
soit la matrice dexpriences selon les particularits que lon veut mettre en vidence.
35
3 Plan dexpriences
pour 3 facteurs
Essai n
Concentration
en or (g/l)
Facteur 1
Densit de
courant (A/dm2)
Facteur 2
Concentration
en cobalt (g/l)
Facteur 3
0,5
15
0,5
25
0,5
15
25
0,5
1,5
15
1,5
25
1,5
15
25
1,5
Vitesse
(mg/min)
Teneur en
cobalt (ppm)
Vitesse
(mg/min)
Teneur en
cobalt (ppm)
36
Essai n
Concentration
en or
Facteur 1
Densit de
courant
Facteur 2
Concentration
en cobalt
Facteur 3
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
Niveau
2 g/l
5 A/dm2
0,5 g/l
Niveau +
15 g/l
25 A/dm2
1,5 g/l
3 Plan dexpriences
pour 3 facteurs
Les essais sont mens conformment au plan dexpriences et les rsultats sont
consigns dans la matrice dexpriences (Tableau 3.4).
Tableau 3.4 Matrice dexpriences et rsultats.
Essai n
Concentration
en or
Facteur 1
Densit de
courant
Facteur 2
Concentration
en cobalt
Facteur 3
Vitesse
(mg/min)
Teneur en
cobalt (ppm)
53
4 100
+1
122
3 510
+1
20
3 950
+1
+1
125
1 270
+1
48
4 870
+1
+1
70
2 810
+1
+1
68
7 750
+1
+1
+1
134
3 580
Niveau 1
2 g/l
5 A/dm2
0,5 g/l
Niveau +1
15 g/l
25 A/dm2
1,5 g/l
Le mme modle postul, celui des plans factoriels complets 23, sera utilis pour
les deux rponses :
y = a0 + a1x1 + a2x2 + a3x3 + a12x1x2 + a13x1x3 + a23x2x3 + a123x1x2x3 {3.1}
Dans ce modle, les lettres ont la signification suivante : y est lune des rponses,
les x1 sont les niveaux des facteurs, les a1 sont les effets des facteurs, les aij sont les
interactions entre deux facteurs ou interactions dordre 2 et a123 est linteraction
entre les trois facteurs ou interaction dordre 3.
Dans un premier temps, les rponses sont tudies lune aprs lautre.
m Vitesse de dpt
On reporte les rsultats des vitesses de dpt sur le domaine dtude (Figure 3.4).
On constate que la vitesse de 80 mg/min est facilement atteinte et quil est
possible daller plus vite puisque la vitesse maximale en de lordre de 134 mg/min.
On constate aussi que les fortes vitesses sont du ct des fortes concentrations
en or.
37
3 Plan dexpriences
pour 3 facteurs
68
134
48
70
Concentration
en Cobalt
20
125
(3)
53
Densit
de courant
122
(2)
Concentration en Or
(1)
Figure 3.4 Valeur de la vitesse de dpt aux sommets du domaine dtude.
Pour affiner la comprhension des rsultats, il faut modliser les phnomnes. On

commence par calculer les effets des facteurs et leurs interactions (Tableau 3.5).
Tableau 3.5 Effets et interactions des facteurs (units codes). Rponse Vitesse de dpt .
Effet
Valeur
Constante
80
32,75
6,75
Interaction 12
10
Interaction 13
10,75
Interaction 23
14,25
Interaction 123
Cest le facteur 1, la concentration en or, qui est le plus influent. Les facteurs 2 et
3 ne sont pas directement influents mais ils le sont par lintermdiaire de leurs
interactions dordre 2. Les trois interactions ont des valeurs peu prs identiques
mais de signes diffrents. Linteraction dordre 3 est pratiquement nulle. Ces rsultats
permettent dcrire le modle donnant la vitesse de dpt en fonction des niveaux
des trois facteurs (units codes) :
yvitesse = 80 + 32,75 x1 + 6,75 x2 +10 x1x2 10,75 x1x3 + 14,25 x2x3
{3.2}
Cette relation est utilise par les logiciels pour faire tous les calculs et tracer tous
les graphiques.
38
3 Plan dexpriences
pour 3 facteurs
On illustre souvent le tableau 3.5 par un diagramme barres (Figure 3.5) qui permet,
dun coup dil, de se rendre compte de limportance des diffrents coefficients.
Coefficients du modle Vitesse de dpt
35
30
Valeur des coefficients
25
20
15
10
5
0
5
10
15
20
Or (1)
Courant (2)
Co (3)
12
13
23
123
Nom des coefficients
Figure 3.5 Illustration du tableau 3.5.
Deux autres diagrammes sont utiles pour bien se rendre compte de linfluence des
facteurs : le diagramme des effets (Prediction Profiler dans JMP) qui indique les
effets principaux des facteurs et le diagramme des interactions (Interaction Profiles
dans JMP) qui montre les interactions dordre 2 entre les facteurs.
M Diagramme des effets
134
Vitesse
Nous avons dj rencontr ce diagramme. Il indique les effets principaux des facteurs,
cest--dire les coefficients des termes du premier degr du modle mathmatique.
Ce diagramme peut tre construit avec les units codes ou avec les units normales
(Figure 3.6). Limpression visuelle est la mme. Pour la prsentation des rsultats,
il est plus commode demployer les units normales qui donnent immdiatement
les valeurs de comparaison.
80
20
2
8,5
Or
15
15
25
Densit de courant
0,5
1,5
Cobalt
Figure 3.6 Effet des facteurs.
39
3 Plan dexpriences
pour 3 facteurs
La vitesse de dpt est dautant plus grande que la solution dlectrolyte contient
plus dor et que la densit de courant est plus leve. La concentration en cobalt
de la solution dlectrolyte ne semble jouer aucun rle. Mais pour avoir une interprtation complte, il faut tenir compte des interactions qui, nous lavons vu, ne
sont pas ngligeables.
M Diagramme des interactions
Le diagramme des dinteractions indique les effets dun facteur au niveau bas et au
niveau haut dun autre facteur. Le diagramme de la figure 3.7 se lit de la manire
suivante : la rponse est indique en ordonnes et les chelles des facteurs sont en
abscisses. Dans le carr suprieur droit, leffet du facteur densit de courant est
indiqu pour les niveaux bas (2) et haut (15) du facteur concentration en Or.
Dans le carr infrieur gauche, leffet du facteur concentration en or est
indiqu pour les niveaux bas (5) et haut (25) du facteur densit de courant .
Nous savons que si les droites des effets ne sont pas parallles, il y a une interaction
significative. Cest le cas de ces deux facteurs dont les pentes des effets sont diffrentes dans une perspective et se croisent dans lautre.
150
15
Or
75
Vitesse
2
0
150
25
Densit
de courant
5
75
0
2
15
25
Figure 3.7 Le diagramme des interactions

illustre limportance des interactions.
On peut prsenter le diagramme des interactions en prenant les interactions soit

sparment deux deux, soit toutes regroupes dans un seul tableau (Figure 3.8).
Le diagramme des profils dinteractions montre clairement que les interactions ne
sont pas ngligeables et quil faut les prendre en compte pour faire linterprtation.
La vitesse maximale de dpt est atteinte lorsque les trois facteurs sont leur niveau
haut : 15 g/l dor et 1,5 g/l de cobalt dans la solution dlectrolyte et une densit
de courant de 25 A/dm2 (Figure 3.9).
40
3 Plan dexpriences
pour 3 facteurs
150
15
15
Or
75
2
0
Vitesse
150
25
25
Densit
de courant
75
5
0
150
0,5
1,5
Cobalt
1,5
75
0,5
0
2
15
25
1,5
0,5
Figure 3.8 Les profils des interactions sont regroups en un seul tableau.
Vitesse
133
20
8,5
Or
15
15
25
0,5
Densit
de courant
1,5
Cobalt
Figure 3.9 La plus grande vitesse de dpt est atteinte

lorsque les trois facteurs sont leur niveau haut.
m Teneur en cobalt de lalliage
On peut galement reporter les rsultats des teneurs en cobalt sur le domaine
dtude (Figure 3.10).
On constate que de fortes teneurs en cobalt dans lalliage sont obtenues lorsque la
concentration en or est faible dans la solution dlectrolyte. On constate galement
41
3 Plan dexpriences
pour 3 facteurs
que cette teneur en cobalt augmente avec la densit de courant et avec la concentration en cobalt dans llectrolyte.
7750
3580
4870
2810
Concentration
en Cobalt
3950
1270
(3)
4100
Densit
de courant
3510
(2)
Concentration en Or
(1)
Figure 3.10 Valeur de la rponse Teneur en cobalt de lalliage

aux sommets du domaine dtude.
Calculons maintenant les effets des facteurs et leurs interactions (Tableau 3.6).
Tableau 3.6 Effets et interactions des facteurs (units codes).
Rponse Teneur en cobalt de lalliage .
Effet
Valeur
Constante
3 980
1 187,5
157,5
772,5
Interaction 12
525
Interaction 13
370
Interaction 23
755
Interaction 123
2,5
Ce sont les facteurs 1 (la concentration en or) et 3 (la concentration en cobalt) qui
sont les plus influents (Figure 3.11). Mais ils sont de sens opposs. Leffet du facteur 1
est ngatif, cela signifie que la rponse baisse quand le facteur passe du niveau bas au
niveau haut. Leffet du facteur 3 est positif, cela signifie que la rponse augmente
42
3 Plan dexpriences
pour 3 facteurs
Coefficients du modle
Teneur en Cobalt de l'alliage
1 000
800
600
400
200
0
200
400
600
800
1 000
1 200
Or (1)
Courant
(2)
Co (3)
12
13
23
123
Figure 3.11 Illustration du tableau 3.6.
quand le facteur passe du niveau bas au niveau haut. Les interactions dordre 2
sont importantes (Figure 3.12). Linteraction dordre 3 est ngligeable.
Ces rsultats permettent dcrire le modle donnant la concentration en cobalt de
lalliage en fonction des niveaux des trois facteurs (units codes) :
ycobalt = 3 980 1 187,5 x1 + 157,5 x2 + 772,5 x1 525 x1x2

370 x1x3 + 755 x2x3
{3.3}
Cette relation est utilise par les logiciels pour faire tous les calculs et tracer tous
les graphiques.
La teneur en cobalt de lalliage doit tre comprise entre 3 500 et 4 500 ppm. Ces
deux valeurs peuvent tre atteintes puisque la rponse varie de 1 270 7 750 ppm
lintrieur du domaine dtude. Pour avoir une vue densemble, il faut tracer les
courbes isorponses de la surface de rponse correspondant aux deux facteurs les
plus influents : la concentration en or et la concentration en cobalt (Figure 3.13).
La courbe 4 000 ppm a t trace et les limites de 3 500 et 4 500 ppm ont t
indiques. Les zones grises sont en dehors de lobjectif et les zones claires rassemblent toutes les combinaisons de concentrations qui permettent datteindre
lobjectif. Le diagramme a t trac pour trois niveaux de la densit de courant : 5,
15 et 25 A/dm2. Plus la densit de courant est leve et plus la zone autorise est
troite.
Ces diagrammes peuvent tre construits avec un tableur ou avec un logiciel de plans
dexpriences.
43
3 Plan dexpriences
pour 3 facteurs
8 000
2
2
Or
4 000
15
15
Cobalt dans l'alliage
0
8 000
25
25
Densit
de courant
4 000
5
0
8 000
1,5
1,5
Cobalt
4 000
0,5
0,5
0
2
15
25
1,5
0,5
Figure 3.12 Profils des interactions pour la rponse Teneur en cobalt de lalliage .
Densit de courant
5 A/ dm2
Densit de courant
25 A/ dm 2
Densit de courant
15 A/ dm 2
1.5
Concentration Cobalt (3)
Teneur en Cobalt
dans l'alliage
4500
Teneur en Cobalt
dans l'alliage
4000
Teneur en Cobalt
dans l'alliage
4000
4000
4500
3500
4000
4000
4000
4500
3500
3500
0.5
2
Concentration Or (1)
15 2
15 2
15
Figure 3.13 Lobjectif de teneur en cobalt nest pas atteint pour les zones grises.
m Recherche de conditions opratoires respectant les objectifs
Comme il y a deux objectifs, une vitesse de dpt au moins gale 80 mg/min et une
teneur en cobalt de lalliage comprise entre 3 500 et 4 500 ppm, nous allons superposer les rsultats de la vitesse de dpt ceux de la teneur en cobalt (Figure 3.14).
On interdit les vitesses infrieures 80 mg/min.
44
3 Plan dexpriences
pour 3 facteurs
Pour les faibles densits de courant on constate que la zone des faibles concentrations en or est supprime. Il ne reste quune zone utile de fortes concentrations en
or et de faibles concentrations en cobalt.
Pour les densits de courant moyennes, on constate galement que la zone des
faibles concentrations en or est supprime. Il ne reste quune zone o les deux
objectifs sont respects : elle se situe aux fortes concentrations en or et aux fortes
concentrations en cobalt.
Pour les fortes densits de courant, la zone des faibles concentrations en or est
supprime. Il ne reste quune zone qui ressemble celle des densits moyennes de
courant.
Toutes les combinaisons appartenant aux zones non grises permettent de rpondre
aux objectifs. Lexprimentateur a donc un large ventail de solutions. Il pourra
choisir une solution rpondant une contrainte supplmentaire, par exemple une
solution donnant un meilleur aspect de surface ou une solution plus conomique.
Densit de courant
5 A/ dm2
Densit de courant
15 A/ dm 2
Densit de courant
25 A/ dm 2
1.5
Concentration Cobalt
4000
Teneur en Cobalt
dans l'alliage
80
80
Vitesse
Vitesse
4500
3500
4000 3500
Vitesse
80
Teneur en Cobalt
dans l'alliage
3500
Teneur en Cobalt
dans l'alliage
0.5
2
Concentration Or
15
Concentration Or
15
Concentration Or
15
Figure 3.14 Les objectifs sont respects dans les zones non grises.
m Peut-on faire mieux ?
On peut se poser la question de savoir dans quelles conditions on peut travailler un

peu plus vite, par exemple 100 mg/min. Il suffit de remplacer la valeur de la limite
de vitesse de 80 mg/min par 100 mg/min. On obtient des diagrammes analogues
ceux de la figure 3.15.
Si lon veut travailler 100 mg/min, il faut choisir une densit de courant soit
faible soit forte. Il ny a aucune solution si la densit de courant est moyenne.
Pour les faibles densits de courant, il faut une forte concentration en or et une
faible concentration en cobalt.
Pour les fortes densits de courant, il faut une forte concentration en or et une
forte concentration en cobalt.
Grce aux modles tablis, lexprimentateur peut calculer (avec le logiciel) des
prvisions de rponses pour des conditions opratoires donnes. Par exemple, il
peut dcider de privilgier les solutions faisant intervenir les fortes densits de
courant qui permettent datteindre une concentration en cobalt de 4 000 ppm
45
3 Plan dexpriences
pour 3 facteurs
Densit de courant
5 A/ dm 2
Densit de courant
25 A/ dm 2
Densit de courant
15 A/ dm 2
1,5
4500 4000
3500
100
Vitesse
100
Vitesse
Vitesse
100
Teneur en Cobalt
dans l'alliage
Teneur en Cobalt
dans l'alliage
3500
0,5
2
Concentration Or
15
Concentration Or
15
Concentration Or
15
Figure 3.15 Avec une vitesse de dpt de 100 mg/min, les objectifs
sont respects uniquement dans deux petites zones non grises.
alors que les faibles densits de courant ne le permettent pas. Dans cette hypothse, il
ne peut pas conclure sans effectuer une vrification. Il va donc prvoir une ou plusieurs
expriences de contrle (Figure 3.16). Lexprimentateur ajuste les facteurs fixs leurs
niveaux dexprimentation et il attribue les valeurs suivantes aux facteurs du plan :
La concentration en or de la solution dlectrolyte est rgle 12 g/l.
La concentration en cobalt de la solution dlectrolyte est rgle 1,3 g/l.
La densit de courant est rgle 25 A/dm2.
Avec les modles tablis, lexprimentateur calcule que la vitesse devrait tre de
115 mg/min et la teneur en cobalt de lalliage devrait tre de 4 011 ppm.
Densit de courant : 25 A / dm2
1,5
4500
4000
1,3
3500
100
Vitesse
Teneur en Cobalt
dans l'alliage
0,5
2
12
Concentration Or
15
Figure 3.16 Les prvisions de rponses indiquent que les objectifs pourraient tre atteints
si la concentration en or de llectrolyte tait de 12 mg/l et celle du cobalt de 1,3 mg/l
pour une densit de courant de 25 A/dm2.
46
3 Plan dexpriences
pour 3 facteurs
3.2 Conclusion de ltude
Il ralise deux essais de contrle en reprenant ces conditions opratoires. Il trouve

une vitesse de dpt de 110 et 105 mg/min et une teneur en cobalt dans lalliage
de 3 950 et 3 920 ppm. Ces rsultats le satisfont car ils confirment ses prvisions.
Lexprimentateur va pouvoir faire ses recommandations.
Lexprimentateur prcise les conditions opratoires permettant de raliser des dpts

dor fin rpondant aux impratifs de qualit dfinis au dpart de ltude. Il indique :
le matriel ; la nature, lorigine et les proprits des matires premires ; la mise en
uvre des matires premires ; les niveaux des facteurs qui ont t fixs pendant
lexprimentation. Enfin, il rappelle les rglages des quatre principaux facteurs :
le pH de llectrolyte rgl 4,5 ;
la concentration en or de la solution dlectrolyte rgle 12 g/l ;
la concentration en cobalt de la solution dlectrolyte rgle 1,3 g/l ;
la densit de courant rgle 25 A/dm2.
Dans ces conditions, on doit obtenir une vitesse de dpt lgrement suprieure
100 mg/min et une teneur en cobalt dans lalliage de lordre 3 900 ppm. Les objectifs
de ltude sont respects et mme un peu dpasss.
47
4 PLANS FACTORIELS COMPLETS

4 FACTEURS
Nous avons vu un plan factoriel complet deux facteurs et un autre trois facteurs.
Dans ces deux plans les facteurs ne prenaient que deux niveaux, un niveau bas et
un niveau haut. Le premier plan a t dsign comme plan 22 (deux facteurs
prenant chacun deux niveaux). Le second plan a t dsign comme plan 23 (trois
facteurs prenant chacun deux niveaux). Nous allons voir maintenant un plan
faisant intervenir quatre facteurs prenant chacun deux niveaux, cest--dire un
plan 24. Le nombre dessais est donc de 16, ce qui est encore raisonnable. Plus le
nombre de facteurs est lev, plus le nombre dessais devient grand. Ce nombre
dessais augmente exponentiellement avec le nombre de facteurs. Pour 5 facteurs,
il faudrait raliser 32 essais et, pour 6 facteurs, 64 essais. Il est donc rare dexcuter
un plan factoriel complet ayant plus de 5 ou 6 facteurs. Nous verrons quil est
possible, moyennant certaines hypothses, de rduire le nombre dessais sans diminuer le nombre de facteurs. Les plans factoriels fractionnaires ont t invents
pour rsoudre ce problme.
Dans le prsent chapitre nous traitons lexemple de la galette des rois. Cet exemple
ne pose aucun problme de construction. Mais nous verrons que linterprtation
nest pas automatique et que lexprimentateur doit faire preuve de connaissances et
savoir faire appel toutes les comptences pour choisir la bonne dcision. Lexprimentateur est celui qui sait prsenter les diffrentes alternatives aux dcideurs pour
que lentreprise fasse le bon choix.
Il existe en France une tradition qui sappelle la galette des rois . la fin du mois de
dcembre et pendant tout le mois de janvier, on trouve, chez les dtaillants, des
gteaux particuliers appels galettes des rois . Ce gteau prsente la particularit
davoir un petit objet, la fve, gliss et dissimul dans la pte. Cette galette est
dguste en famille ou avec des amis. Le Papa ou la Maman dcoupe la galette en
un nombre de parts exactement gal au nombre de convives. Le plus jeune des
enfants se place de manire ne pas voir la galette, par exemple dans une pice
voisine ou sous la table. La personne qui a dcoup la galette dsigne lune des
parts et demande lenfant : Pour qui cette part-l ? Lenfant rpond, par
exemple : Pour ma sur. La part est attribue la sur. On poursuit ainsi la
distribution jusqu ce que chacun ait sa part. Celui qui trouve la fve dans sa part
de galette est le roi, ou la reine, de la soire, il est applaudi et congratul par tous.
Les enfants adorent la galette des rois et esprent bien devenir le roi ou la reine de
la soire mais je crois que cest pareil pour les grandes personnes. On notera que
49
4 Plans factoriels complets

4 facteurs
4.1 Exemple 03 : la galette des rois
les petits Franais sont bien entrans pour raliser une distribution parfaitement
alatoire et que la galette des rois est une bonne initiation la science statistique.
Cet exemple sera loccasion de prsenter une mthode doptimisation multicritre
trs utile : la dsirabilit.

La galette des rois est prpare partir dune pte feuillete spciale que lon tale
en plaque denviron 1 centimtre dpaisseur et que lon dcoupe en forme de
cercle. Ces cercles de pte sont appels des abaisses. Pour raliser une galette il faut
deux abaisses. Sur la premire abaisse, labaisse infrieure, on dpose un fourrage
de pte damandes et lon place la fve de manire ce quelle soit parfaitement
dissimule. On recouvre lensemble dune deuxime abaisse identique la premire.
On perce labaisse suprieure de nombreux petits trous pour que la vapeur deau
puisse schapper pendant la cuisson. On obtient une galette que lon introduit dans
un four chauff de manire homogne une certaine temprature et que lon laisse
cuire pendant 30 minutes. Pour la prsente tude il sagit de galettes industrielles
qui, une fois cuites sont congeles et achemines dans les magasins grce un rseau
de distribution. la sortie du four les galettes sont examines et seules celles qui
ne prsentent aucun dfaut sont congeles. Les galettes sont ensuite conditionnes
et distribues chez les revendeurs en prservant la chane du froid. Les galettes sont
vendues en gnral dans les trois semaines qui suivent leur fabrication.
Tout serait pour le mieux si des clients mcontents ntaient pas revenus rclamer
en faisant constater que certaines galettes avaient des abaisses dcolles et prsentaient des fentes sur labaisse infrieure. Le principal grief tait que les galettes laissaient apparatre la fve et que la magie de la galette des rois svanouissait alors
compltement.
Devant une telle catastrophe, lindustriel ragit immdiatement en convoquant ses
meilleurs techniciens. La situation est analyse et la dcision de faire une tude pour
trouver lorigine des deux dfauts est prise sans tarder. Les galettes ne doivent prsenter
aucun dfaut 4 semaines aprs la sortie dusine. Les dfauts viss sont le dcollement
et les fentes, qui en jargon technique de ptisserie, sappellent des fles.
m Objectif de ltude
Lobjectif de ltude est de trouver les conditions de fabrication qui permettront de

rduire, et si possible dliminer, les dcollements et les fles sur les galettes congeles
ayant 4 semaines de vie.
m Rponses
Le choix de la rponse permettant de bien mesurer la grandeur dintrt et de corriger

les dfauts constats est bien souvent difficile dfinir. Ici, la mesure du dcollement
se heurte plusieurs difficults. Le dcollement nest pas rgulier et lon a constat
50

4 facteurs
plusieurs zones de dcollement plus ou moins longues sur la mme galette. Il peut
y avoir des parties bien colles, dautres moiti colles et enfin dautres compltement
dcolles. Les tentatives dvaluation du dcollement par des mesures de longueur,
de profondeur et dpaisseur se soldrent par des checs. Il en fut de mme pour la
mesure des fles, celles-ci tant plus ou moins larges, plus ou moins profondes et
plus ou moins rectilignes. On finit donc par tablir un barme avec des dfauts
tests, ce qui permit de donner des notes toutes les galettes participant ltude.
Le dcollement fut estim par une note comprise entre 0 et 3 :
3 est labsence de dcollement ;
0 est le plus mauvais dcollement constat.
La fle fut estime par une note comprise entre 0 et 3 :
3 est labsence de fle ;
0 est la galette possdant le plus grand nombre de fles.
Lobjectif chiffr est donc 3 pour le dcollement et 3 pour la fle.
m Facteurs et domaine dtude
Lindustriel et son quipe tablirent la liste de tous les facteurs pouvant influencer
lapparition des dfauts. Puis, ils slectionnrent ceux qui leur paraissaient susceptibles dengendrer les deux dfauts :
Facteur 1 : rapport du poids des abaisses. Cest le rapport : poids de labaisse
suprieure/poids de labaisse infrieure :
niveau bas : 0,9
niveau haut : 1,1
Facteur 2 : nombre de trous dans labaisse suprieure :
niveau bas : peu
niveau haut : beaucoup
Facteur 3 : profil de chauffage du four de cuisson :
niveau bas : fort au dbut
niveau haut : fort la fin
Facteur 4 : dure de la cuisson :
niveau bas : 29 min
niveau haut : 31 min
Les facteurs et leurs niveaux sont rassembls dans le tableau 4.1.
Tableau 4.1 Facteurs retenus et domaine dtude.
Facteur
Niveau bas
Niveau moyen
Niveau haut
Rapport du poids des abaisses (1)
0,90
1,1
Nombre de trous (2)
Peu
Normal
Beaucoup
Profil de chauffage (3)
Fort au dbut
Homogne
Fort la fin
Dure de la cuisson (4)
29 min
30 min
31 min
51

4 facteurs
Le niveau moyen correspond aux conditions de la fabrication utilises avant le

plan dexpriences.
m Choix du plan dexpriences
Le responsable de la fabrication dcide dtudier les 4 facteurs avec un plan factoriel

complet 24, car il sattend de nombreuses interactions entre les facteurs. Le plan
comporte donc 16 essais (Tableau 4.2).
Tableau 4.2 Plan dexpriences pour ltude sur la galette des rois.
52
Essai n
Rapport du poids
des abaisses
(1)
Nombre
de trous
(2)
Chauffage
du four
(3)
Dure
de la cuisson
(4)
10
11
12
13
14
15
16
0,90
Peu
Fort au dbut
29 min
+1
1,1
Beaucoup
Fort la fin
31 min

4 facteurs
La prsentation du plan suit lordre classique des essais ou ordre de Yates. Les
niveaux de la premire colonne sont alterns et commencent par un 1. Les niveaux
de la deuxime colonne sont alterns deux par deux : 2 signes 1 et 2 signes +1 et
ainsi de suite. Les niveaux de la troisime colonne sont alterns quatre par quatre :
4 signes 1 et 4 signes +1 et ainsi de suite. Les niveaux de la quatrime colonne
sont alterns huit par huit : 8 signes 1 et 8 signes +1. Cet ordre sera utilis pour
prsenter tous les plans dexpriences du livre et tous les fichiers informatiques.
Mais lordre dexcution des essais dun plan nest pas forcment lordre de prsentation. Lordre des essais est une question importante que nous tudierons en dtail
au cours du chapitre 8.
Les galettes sont cuites dans un four industriel continu. lentre du four, elles sont
dposes sur un tapis roulant et disposes les unes derrire les autres sur plusieurs
ranges. Elles avancent rgulirement dans le four et cuisent progressivement, elles
y sjournent le temps impos par le plan dexpriences. Elles sont rcupres la
sortie du four, puis refroidies. On slectionne celles qui ne prsentent aucun dfaut et
on les congle. On prlve, au hasard, un chantillon de 100 galettes prpares
dans les mmes conditions. Elles sont empaquetes, tiquetes et stockes pendant
4 semaines. Au bout de quatre semaines, chaque galette passe entre les mains dun
juge qui lui attribue une note pour la fle et une autre pour le dcollement. Un
second juge vrifie les notes du premier et, en cas de dsaccord, les deux juges se
concertent pour mettre la note la plus prcise possible. Pour chaque essai du plan
on lance une fabrication particulire telle que lon vient de la dcrire.
Un tel plan ncessite une excellente organisation pour tre men bien et lenjeu doit
tre important car le cot dune telle recherche est considrable. Heureusement,
dans notre cas tous les essais et toutes les mesures ont pu tre raliss. Nous ne
donnerons pas les rsultats des 100 galettes par essais. Nous nous contenterons des
moyennes pour chacune des deux rponses. Les rsultats figurent dans le tableau 4.3.
Tableau 4.3 Rsultats du plan dexpriences Galette des rois .
Essai n
Poids des
abaisses
(1)
Nombre
de trous
(2)
Chauffage
(3)
Dure de
cuisson
(4)
Dcollement
Fle
2,8
2,2
2,8
2,2
1,2
2,6
1,4
2,6
1,4
53

4 facteurs
Tableau 4.3 Rsultats du plan dexpriences Galette des rois . (Suite)
Essai n
Poids des
abaisses
(1)
Nombre
de trous
(2)
Chauffage
(3)
Dure de
cuisson
(4)
Dcollement
Fle
2,4
2,2
1,4
2,4
10
2,8
11
0,8
1,2
12
1,6
13
1,4
1,4
14
2,6
15
1,8
16
2,8
0,90
Peu
Fort au dbut
29 min
+1
1,1
Beaucoup
Fort la fin
31 min
Cest partir de ce tableau que linterprtation peut dbuter.

4.1.3 Interprtation des rsultats du plan
Le modle mathmatique choisi a priori (modle PDAI) est le suivant :

y = a0 + a1x1 + a2x2 + a3x3 + a4x4
+a12x1x2 + a13x1x3 + a14x1x4 + a23x2x3 + a24x2x4 + a34x3x4
+a123x1x2x3 + a124x1x2x4 + a134x1x3x4 + a234x2x3x4
+a1234x1x2x3x4
Ce modle mathmatique comporte :
un coefficient constant a0 ;
quatre termes comprenant un coefficient ai (effets des facteurs) multipli par les
niveaux respectifs de chaque facteur ;
des termes comprenant un coefficient aij (interactions entre deux facteurs), et le
produit des niveaux des facteurs pris deux deux ;
des termes comprenant un coefficient aijk (interactions entre trois facteurs), et le
produit des niveaux des facteurs pris trois trois ;
un terme comprenant un coefficient aijkl (interaction entre quatre facteurs), et
le produit des niveaux des facteurs pris quatre quatre.
Il y a 16 coefficients, soit 16 inconnues. Les 16 essais vont permettre de calculer ces
16 inconnues. La rsolution de ce systme dquations est ralise grce au logiciel.
54

4 facteurs
Le mme modle de base sera utilis pour les deux rponses. Mais les coefficients
seront fort probablement diffrents dune rponse lautre. La reprsentation
mathmatique finale ne sera pas la mme pour chacune des rponses.
m Prparation des calculs
Quel que soit le logiciel que vous utilisez, vous devez entrer les rsultats exprimentaux dans lordinateur. Vous prendrez bien garde dassocier correctement
chaque rsultat avec lessai correspondant du plan dexpriences. Un dcalage ou
une erreur de transcription ruinerait les efforts de recherche et pourrait conduire
une interprtation errone des rsultats.
Pour le dtail des manipulations permettant de lancer les calculs avec le logiciel,
reportez-vous au chapitre 14.
m Examiner les rsultats des calculs
Les rsultats des calculs sont affichs dans le tableau 4.4.
Tableau 4.4 Effets et interactions des facteurs (units codes).

Effet
Dcollement
Fle
Moyenne
2,4
2,16
Poids des abaisses (1)
0,2
0,54
Trous (2)
0,05
0,11
Chauffage (3)
0,2
0,14
Dure de cuisson (4)
0,35
0,19
Interaction 12
0,1
0,11
Interaction 13
0,2
0,01
Interaction 14
0,2
0,11
Interaction 23
0,25
0,19
Interaction 24
0,05
0,01
Interaction 34
0,2
0,09
Interaction 123
0,1
0,14
Interaction 124
0,15
0,01
Interaction 134
0,05
0,06
Interaction 234
0,2
0,01
Interaction 1234
0,06
55

4 facteurs
Trois facteurs sont influents sur le dcollement :

Facteur 1 : rapport du poids des abaisses.
Facteur 3 : profil de chauffage du four de cuisson.
Facteur 4 : dure de la cuisson.
Il y a de nombreuses interactions dordre 2 et dordre 3 qui sont du mme ordre de
grandeur que les effets principaux. Cela na rien de surprenant dans le domaine de
la ptisserie. La figure 4.1 illustre les valeurs des coefficients du modle de la
rponse Dcollement .
Dcollement
0,6
0,4
0,2
0,2
0,4
0,6
1
12
13
14
23
24
34
123
124
134
234 1234
Figure 4.1 Diagramme barres des coefficients du modle de la rponse Dcollement .
Pour la fle, il ny a quun facteur (le rapport du poids des abaisses) nettement plus
influent que les trois autres. Mais aucun ne peut tre nglig car tous les facteurs
modifient suffisamment la note pour tre pris en compte. On vrifie quil y a aussi de
nombreuses interactions dordre 2 et dordre 3. La figure 4.2 illustre le tableau 4.4.
Lobjectif de ltude est damliorer les deux rponses en mme temps pour diminuer le dcollement et la fle. On cherche les conditions qui permettent
datteindre une note de 3 pour les deux rponses.
m Interprter les rsultats des calculs
La prsence des interactions ne permet pas dtudier linfluence dun facteur partir
du seul effet principal sur une rponse car lorsquon change le niveau dun facteur,
on modifie les effets de tous les autres facteurs. Au centre du domaine dtude, la
note du dcollement est 2,4 et la note de la fle est 2,1625 (Figure 4.3). Une interprtation base uniquement sur les effets principaux des facteurs serait source
derreurs, il faut tenir compte des interactions. On va progresser par tapes en tenant
compte du sens de variation des effets pour les deux rponses. Le calcul des rponses
en fonction du niveau des facteurs est effectu grce un logiciel de plans dexpriences. Avec le logiciel JMP, cest loutil Prediction Profiler quil faut utiliser.
56

4 facteurs
Fle
0,6
0,4
0,2
0
0,2
0,4
0,6
1
12
13
14
23
24
34
123
124
134
234 1234
Figure 4.2 Diagramme barres des coefficients du modle de la rponse Fle.
Dcollement
3
2,4
0,8
1
+1
+1
Trous (2)
Poids (1)
+1
Chauffage (3)
+1
Cuisson (4)
Fle
2,1625
0,8
1
+1
Poids (1)
Trous (2)
+1
+1
Chauffage (3)
+1
Cuisson (4)
Figure 4.3 Diagramme des effets des quatre facteurs

pour les deux rponses.
Le sens de variation du facteur 1 (le rapport du poids des abaisses) est le mme
pour les deux rponses. Donc, quand on amliore (dtriore) lune, on amliore
(dtriore) lautre. Cela est intressant puisque cest le seul facteur sur lequel on
peut jouer pour amliorer la fle. On obtiendra, en mme temps, des galettes avec
moins de fle et moins de dcollement. On rgle donc le facteur 1 au niveau haut
(Figure 4.4). La note du dcollement passe 2,6 et celle de la fle 2,7.
Pour cette valeur du niveau du facteur 1, on saperoit que le facteur 2 ne modifie
que le dcollement et quil est sans effet sur la fle.
57

4 facteurs
Dcollement
3
2,6
0,8
1
+1
Fle
Poids (1)
+1
Trous (2)
+1
Chauffage (3)
+1
Cuisson (4)
3
2,7
0,8
1
+1
Poids (1)
+1
Trous (2)
+1
Chauffage (3)
+1
Cuisson (4)
Figure 4.4 Le facteur 1 est rgl au niveau haut.
Dcollement
On rgle ce facteur au niveau bas pour rduire le dcollement (Figure 4.5). On

remarque que, maintenant, le facteur 3 agit de la mme faon sur les deux
rponses. Les changements de pente des facteurs sont dus aux interactions.
3
2,747
0,8
1
+1
+1
+1
+1
+1
+1
+1
+1
Fle
3
2,696
0,8
Poids (1)
Trous (2)
Chauffage (3)
Cuisson (4)
Figure 4.5 Le facteur 2 est rgl au niveau bas
On profite de cette situation favorable qui vite un compromis : le facteur 3 est

plac au niveau bas pour les deux rponses (Figure 4.6).
58
Dcollement

4 facteurs
3
2,9
0,8
1
+1
+1
+1
+1
+1
+1
+1
+1
Fle
3
2,9
0,8
Trous (2)
Poids (1)
Chauffage (3)
Cuisson (4)
Figure 4.6 Le facteur 3 est rgl au niveau bas.
Dcollement
Le rglage du facteur 4, la dure de la cuisson, est plus dlicat. En effet, ce facteur

agit de manire oppose sur les deux rponses. Si on le place au niveau haut, on
obtient bien la note 3 pour la fle, mais on redescend 2,8 pour le dcollement.
Inversement, si on le place au niveau bas, on obtient la note 3 pour le dcollement, mais on redescend 2,8 pour la fle. Lorsquon laisse le facteur 3 au niveau
zro, on a la note 2,9 pour les deux rponses (Figure 4.7).
3
2,8
0,8
1
+1
+1
2,9
Fle
2,9
+1
+1
2,8
0,8
1
+1
Cuisson : 31 min
30 min
+1
29 min
Figure 4.7 Le facteur 4 peut tre rgl diffrents niveaux selon la solution recherche.
59

4 facteurs
4.2 Fonction dsirablit
Faut-il laisser une dure de cuisson de 30 minutes ou faut-il la rduire pour liminer
les dcollements ou laugmenter pour supprimer les fles ? La rponse nappartient pas,
normalement, au technicien mais au responsable du marketing qui devra apprcier la
moins mauvaise solution tant donn sa clientle. Les graphiques permettent de
prsenter les diffrentes facettes du problme et facilitent les prises de dcision. Le technicien possde toutes les donnes et tous les moyens de les prsenter aux dcideurs.
Le technicien peut galement suggrer un complment dtude pour obtenir la
note 3 pour les deux rponses. Lorsquon examine la figure 4.6, on constate que
lon peut amliorer la situation :
en augmentant le rapport du poids des abaisses ;
en diminuant le nombre de trous ;
en forant la temprature du dbut de chauffe dans le four.
Si lenjeu en vaut la peine, lexprimentateur naura aucun mal obtenir un
complment de budget pour finaliser ltude.

La fonction dsirabilit est trs utile quand il faut trouver le meilleur compromis
entre plusieurs rponses. Cette fonction a t propose par Derringer et Suich et elle
figure dans de nombreux logiciels de plans dexpriences. Elle est trs facile utiliser
et rend de grands services. Nous aurons loccasion de lutiliser sur plusieurs exemples.
4.2.1 La fonction dsirabilit applique une seule rponse
Commenons par dfinir la fonction dsirabilit pour une seule rponse. Cette
fonction varie de 0 1. La valeur 1 correspond une satisfaction maximale, la
valeur 0 un refus complet.
m Fortes valeurs souhaites
Par exemple, supposons que vous dsiriez un dcollement suprieur 2,5. En de

de 2,5, vous estimez quil y a trop de dcollement et donc la fonction dsirabilit
correspondante vaut 0 pour tous les dcollements compris entre 0 et 2,5. En
revanche, au-del de 2,5, vous tes satisfait et la fonction dsirabilit correspondante vaut 1 pour tous les dcollements gaux ou suprieurs 2,5.
On peut reprsenter la fonction dsirabilit comme sur la figure 4.8. Cette fonction reste la valeur 0 tant que la valeur de la rponse ne convient pas et passe 1
ds que la valeur de la rponse convient. Mais, cette reprsentation est brutale et
sans nuances. Si vous avez un dcollement de 2,49 cest presque la mme chose
que 2,51, et pourtant la fonction dsirabilit passe de 0 1. Il faut introduire un peu
de souplesse et de progressivit. Si le dcollement atteint 2,6, cest mieux que 2,4,
mais cest moins bien que 2,7. On va donc introduire des valeurs intermdiaires
entre les valeurs qui ne conviennent pas et celles que lon souhaite. Par exemple,
on fixe la grille suivante :
dsirabilit = 0 pour un dcollement de 2,3 et moins ;
dsirabilit = 0,25 pour un dcollement de 2,4 ;
60

4 facteurs
Dcollement
Peu de
dcollement
2,8
(La rponse est

satisfaisante)
2,7
2,6
2,5
2,4
Trop de
dcollement
2,3
(La rponse ne
convient pas)
2,2
2,1
d=0
d = 1 Dsirabilit
Figure 4.8 La fonction dsirabilit vaut 1 quand la rponse convient. Elle vaut 0 quand la
rponse ne convient pas.

dsirabilit = 1 pour un dcollement de 2,7 et plus.
Dcollement
Peu de
dcollement
(La rponse est
satisfaisante)
Dcollement
de plus en plus
acceptable
(La rponse est
plus ou moins
satisfaisante)
Trop de
dcollement
(La rponse ne
convient pas)
2,8
2,7
2,6
2,5
2,4
2,3
2,2
2,1
d=0
d = 1 Dsirabilit
Figure 4.9 La fonction dsirabilit varie de 0 1

quand la rponse samliore progressivement.
61

4 facteurs
La forme de la fonction qui permet de passer de 0 1 peut prendre toutes les

allures possibles. Certains logiciels proposent un grand choix de telles fonctions
dont certaines peuvent tre compliques pour sadapter aux impratifs de ltude.
Dans le prsent ouvrage, nous ne considrerons que les variations linaires de la
fonction dsirabilit, ce qui est suffisant dans la plupart des cas.
m Faibles valeurs souhaites
La figure 4.9 reprsente une rponse dont on souhaitait les fortes valeurs. Mais on
peut vouloir, au contraire, favoriser les faibles valeurs. Par exemple, sil sagit dune
impuret, on cherchera en diminuer la concentration le plus possible. On adopte
alors une fonction dsirabilit ayant lallure de la figure 4.10.
Rponse
y mauvais
La rponse ne
convient pas
La rponse
passe de mdiocre
satisfaisant
y bon
La rponse est
satisfaisante
d=0
d = 1 Dsirabilit
Figure 4.10 La fonction dsirabilit favorise ici les faibles valeurs de la rponse.
m Une valeur prcise souhaite
On peut galement vouloir quune rponse prenne une valeur prcise. La figure 4.11
reprsente le choix dune valeur particulire. La fonction dsirabilit vaut 0 lorsquon
est loin de la valeur souhaite, puis elle augmente progressivement lorsquon en
approche. Elle vaut 1 pour la valeur souhaite, puis diminue lorsquon sen loigne
pour atteindre nouveau 0 quand on en est suffisamment loin. La monte et la
descente de la fonction dsirabilit peuvent ne pas avoir la mme pente.
4.2.2 Plusieurs valeurs prcises souhaites
Au lieu dune valeur prcise, on peut souhaiter un ensemble de valeurs. La fonction

dsirabilit prsente alors un plateau.
62

4 facteurs
Rponse
La rponse ne
convient pas
La rponse est
satisfaisante
La rponse ne
convient pas
d=0
d = 1 Dsirabilit
Figure 4.11 La fonction dsirabilit peut favoriser une valeur particulire.
La figure 4.12 prsente un tel plateau pour lequel la vitesse de monte est diffrente
de celle de la descente et dont les changements de pente sont amortis par des arrondis.
On constate que lon peut ajuster la forme de la fonction dsirabilit toutes les
situations possibles.
Rponse
La rponse ne
convient pas
La rponse est
satisfaisante
La rponse ne
convient pas
d=0
d = 1 Dsirabilit
Figure 4.12 La fonction dsirabilit peut prsenter un plateau.
63

4 facteurs
4.3 Application lexemple 03
4.2.3 La fonction dsirabilit applique plusieurs rponses
Nous avons examin la fonction dsirabilit pour une seule rponse. Mais lintrt
de cette fonction est de pouvoir tre utilise pour plusieurs rponses la fois. Il est
ainsi possible de trouver le meilleur compromis lorsque des contraintes psent sur
chacune des rponses.
La dsirabilit globale D, cest--dire qui prend en compte la fois les exigences
sur toutes les rponses, est la moyenne gomtrique des dsirabilits individuelles :
D = n d d d
1 2
On peut aboutir plusieurs situations :

La dsirabilit globale est gale 1 lorsque tous les objectifs sont atteints. Dans
ce cas toutes les dsirabilits individuelles sont gales 1.
La dsirabilit globale est gale 0 si lun au moins des objectifs nest pas
atteint. Dans ce cas lune au moins des dsirabilits individuelles est gale 0.
La dsirabilit globale est comprise entre 0 et 1 quand certains objectifs sont
compltement atteints et dautres partiellement seulement. Dans ce cas aucune
dsirabilit individuelle nest gale 0 et les dsirabilits ne sont pas toutes gales 1.
Le meilleur compromis est obtenu pour la plus forte valeur de la dsirabilit globale.
Les calculs doptimisation ncessitent un logiciel programm pour les raliser. Nous
allons regarder une application en reprenant lexemple de la galette des rois.
Dcollement
Supposons que les objectifs de ltude soient un dcollement suprieur 2,5 et

une fle suprieure 2,8. La forme de la fonction dsirabilit du dcollement
dpend des niveaux des 4 facteurs dtude et elle est illustre par la courbe de
droite de la figure 4.13. Cette courbe vaut 0 jusqu 2, passe de 0 1 de 2 2,5 et
vaut 1 au-dessus de 2,5 :
dDcollement = f (x1,x2,x3,x4)
3
2,6
2,5
2
0,8
1
+1 1
Poids (1)
Trous (2)
+1
+1
Chauffage (3)
+1
Cuisson (4)
+1
Dsirabilit
Figure 4.13 La valeur de la fonction dsirabilit du dcollement

varie en fonction du niveau des facteurs.
Il en est de mme de la fle mais la fonction dsirabilit est diffrente de celle du

dcollement : elle vaut 0 jusqu 2,5, passe de 0 1 de 2,5 2,8 et vaut 1 au-dessus
de 2,8 (Figure 4.14) :
dFle = f (x1,x2,x3,x4)
64

4 facteurs
3
2,9
Fle
2,8
2,5
0,8
1
+1 1
Poids (1)
+1
+1
Chauffage (3)
Trous (2)
+1
+1
Dsirabilit
Cuisson (4)
Figure 4.14 La valeur de la fonction dsirabilit de la fle varie en fonction du niveau des facteurs.
Dsirabilit
Le logiciel calcule la valeur de la fonction dsirabilit D partir des fonctions

dDcollement et dFle. Il obtient une fonction qui dpend des niveaux des quatre
facteurs et des fonctions dsirabilit choisies pour chaque rponse. Le logiciel
calcule la fonction dsirabilit D pour chaque point du domaine dtude. Par
exemple, la figure 4.15 indique que la fonction dsirabilit D vaut 0,996 pour le
point (en units codes) x1 = +1, x2 = 1, x3 = 0, x4 = 0,67. Le logiciel affiche
galement les coupes de la surface de rponse selon des plans dfinis pour des
niveaux fixes des trois autres facteurs. Par exemple, pour le facteur 1 (le rapport du
poids des abaisses), on a la coupe de cette surface de rponse pour les niveaux x2 = 1,
x3 = 0, x4 = 0,67 des autres facteurs. Cest en modifiant la valeur des niveaux des
facteurs que lon trouve la dsirabilit maximale. Certains logiciels ont une fonction
optimisation qui permet de trouver rapidement la dsirabilit la plus leve.
1
0,996
0
+1 -1
-1
Poids (1)
Trous (2)
+1
-1
+1
Chauffage (3)
-1
0,67+1
Cuisson (4)
Figure 4.15 La fonction dsirabilit globale varie en fonction des niveaux des facteurs.
On obtient ainsi les niveaux des facteurs donnant la dsirabilit la plus forte.
Comme on peut obtenir une dsirabilit gale 1 pour diffrents rglages des
niveaux des facteurs, loptimiseur ne donne pas toujours la mme solution. Il en
donne une parmi toutes les solutions possibles. Il donne celle qui est la plus proche de
celle que vous avez trouve par ttonnements lorsque vous avez dplac le curseur
sur les diagrammes.

On diminue le dcollement et la fle en rglant :
le rapport du poids des abaisses (poids de labaisse suprieure/poids de labaisse
infrieure) 1,1 ;
65

4 facteurs
le nombre de trous au niveau Peu ;

la temprature du four au niveau Forte au dbut .
On favorise la diminution du dcollement au dtriment de la fle en rduisant la
dure de cuisson 29 min. Inversement, on favorise la fle au dtriment du dcollement en augmentant la dure de cuisson 31 min.
Des voies damlioration sont possibles si lon sort du domaine dtude dfini au
dbut de ltude. En effet, on constate que lon pourrait atteindre les objectifs en
augmentant le rapport du poids des abaisses au-del de 1,1, en diminuant le
nombre de trous et en augmentant la temprature du four en dbut de chauffe. Il
sagit l dune extrapolation matrise : on utilise le modle mathmatique tabli
dans le domaine dtude en dehors de ce domaine. On fait donc lhypothse que,
dans le voisinage du domaine dtude, les tendances indiques par le modle
mathmatique sont encore acceptables. Il faut bien sr, comme on le fait pour
toutes les hypothses, vrifier que les prvisions extrapoles sont confirmes par
lexprience. Dans le cas de la galette des rois, des essais complmentaires ont t
entrepris pour vrifier que lon atteignait bien la note 3 pour les deux rponses (le
dcollement et la fle) lorsquon sortait du domaine initialement choisi. Les essais
ont t essentiellement orients vers une lgre augmentation du rapport du poids
des abaisses et vers une augmentation de la temprature en dbut de four. Lobjectif
a t atteint pour :
le rapport du poids des abaisses (poids de labaisse suprieure/poids de labaisse
infrieure) 1,2 ;
le nombre de trous au niveau Peu (sans changement) ;
la temprature du four au niveau Un peu plus forte que prcdemment .
La pratique montre que lextrapolation matrise est un moyen efficace pour orienter
une tude vers la solution souhaite. Mais, il est indispensable, pour viter de
mauvaises surprises, de vrifier que les prvisions extrapoles sont bien confirmes
par lexprience.
66
5 NOTIONS DE STATISTIQUE
APPLIQUES AUX PLANS DEXPRIENCES
Les plans factoriels complets que nous avons vus permettent dvaluer linfluence
des facteurs et de leurs interactions par lintermdiaire des coefficients du modle
postul. Nous avons estim que les coefficients ayant la plus forte valeur taient les
plus importants. Nous avons jug limportance des coefficients en les comparant
entre eux. Mais nous navions aucun talon pour comparer tous les coefficients et
indiquer ceux qui devaient tre conservs et ceux qui pouvaient tre limins du
modle mathmatique final. Ce qui nous manquait ctait une valuation de
lincertitude attache aux coefficients. Il y a deux sources derreurs sur la dtermination des coefficients dun modle. La premire est lerreur commise sur chaque
rponse, cest lerreur exprimentale. La seconde est le modle mathmatique luimme qui nest quune reprsentation plus ou moins bonne du phnomne tudi,
cest le manque dajustement. Lincertitude est constitue de ces erreurs.
Quand on ralise plusieurs fois la mme exprience dans les mmes conditions
opratoires et que lon mesure les rponses, on trouve des valeurs qui sont proches
les unes des autres mais qui sont diffrentes de lune lautre. Il y a une dispersion
des mesures. Cette dispersion traduit le fait que les rponses sont des grandeurs
alatoires. Il y a une erreur exprimentale attache chaque dtermination dune
rponse. Cette erreur exprimentale se transmet aux coefficients.
Il y a galement une diffrence entre le modle postul par lexprimentateur et le
modle rel. Cette diffrence est le manque dajustement entre les deux modles.
Cette erreur se transmet galement aux coefficients du modle. Ce sont ces deux
types derreur, lerreur exprimentale et lerreur dajustement, qui vont servir pour
valuer limportance des coefficients. Par exemple, si lerreur dapprciation sur un
coefficient est de 5 et si ce coefficient vaut 4, il sera considr comme ngligeable et
non influent. En revanche, un coefficient de valeur 30 sera considr comme influent.
Il est donc important de connatre lerreur que lon commet dans lestimation des
coefficients. Pour mener bien cette tude, il faut connatre les bases statistiques
qui sont utilises pour faire les calculs et appliquer les raisonnements corrects. Les
logiciels nous soulagent de toute la partie calcul, mais il faut tre capable dinterprter les grandeurs statistiques quils nous fournissent.
Lexemple des outils de coupe jetables servira illustrer les concepts thoriques qui
sont dvelopps dans ce chapitre. Nous introduirons dabord les deux grandeurs
statistiques les plus importantes, la moyenne et lcart-type. Puis, nous verrons les
notions de population, dchantillon et de distribution. Nous insisterons sur le rle
67
5 Statistiques appliques
aux plans dexpriences
5.1 Exemple 04 : dure de vie

des outils de coupe jetables
prpondrant de lcart-type qui sert dtalon pour valuer limportance dune grandeur alatoire. Nous verrons comment lcart-type permet de calculer la p-value qui
mesure la probabilit quun vnement soit rare. Lobjectif premier de ce chapitre
est de prciser les notions qui permettent dvaluer et damliorer laptitude du
modle postul reprsenter les rsultats exprimentaux. En un mot ces notions
nous aideront trouver le modle qui reprsente le mieux possible les donnes
exprimentales et qui devrait nous permettre de faire des prvisions de qualit.
5.1 Exemple 04 : dure de vie des outils de coupe jetables

Lusinage des mtaux ncessite des outils de coupe dont la matire et les profils
sont particulirement tudis. Les bons outils doivent couper parfaitement, ne pas
mettre en danger la scurit des ouvriers, ne pas suser trop vite et assurer la prcision des objets fabriqus. Lafftage de tels outils pose de nombreux problmes et
un fabricant a dcid dtudier des outils jetables. Pour assurer leur rentabilit ces
outils doivent avoir une dure de vie suffisante.
La prsente tude porte sur des outils spciaux usage intensif dont on cherche
maximiser la dure de vie.
m Objectif de ltude
Lobjectif de ltude est de trouver les conditions demploi qui assurent une dure
de vie suprieure 20 heures aux outils de coupe.
La rponse choisie est la dure de vie des outils.

Les facteurs retenus sont :

le dbit de lhuile de coupe,
la vitesse de coupe de loutil,
la profondeur de coupe de loutil,
la vitesse davance de loutil.
Soit quatre facteurs dont les domaines sont indiqus dans le tableau 5.1.
68
Facteurs
Niveau 1
Niveau 0
Niveau +1
Dbit (1)
650
725
800
Vitesse de coupe (2)
10
18
26
Profondeur (3)
0,05
0,125
0,20
Vitesse davance (4)
0,5
0,75

Lexprimentateur dcide dexcuter un plan complet 24, soit 16 essais. Mais il dsire
avoir une estimation de lerreur exprimentale. Pour ce faire, il ajoute quatre essais
situs au centre du domaine dtude. Il va donc effectuer 20 essais (Tableau 5.2).
Tableau 5.2 Essais et rponses du plan dexpriences Outils de coupe jetables (units codes).
Essai n
Dbit
(1)
Vitesse de
coupe
(2)
Profondeur
(3)
Vitesse
davance
(4)
Dure de vie
(h)
26,1
+1
22,2
+1
10,1
+1
+1
12,2
+1
14,2
+1
+1
12,7
+1
+1
5,9
+1
+1
+1
5,6
+1
23
10
+1
+1
20,1
11
+1
+1
2,4
12
+1
+1
+1
3,7
13
+1
+1
11
14
+1
+1
+1
13,4
15
+1
+1
+1
0,5
16
+1
+1
+1
+1
1,7
17
11,1
18
12,6
19
10,4
20
11,9
650
10
0,05
0,5
725
18
0,125
0,75
+1
800
26
0,2
69

Les points au centre sont regroups la fin du plan pour la prsentation des essais.
Mais lordre dexcution des essais dun plan ne suit pas forcment lordre de
prsentation. On pourra par exemple faire un point au centre au dbut de ltude,
un autre aprs lessai n 6, un troisime aprs lessai n 12 et le dernier la fin.
5.1.3 Calculs et interprtation
On adopte un modle avec les facteurs principaux et les interactions entre deux
facteurs. Les interactions entre trois et quatre facteurs ne rentrent pas dans ce
modle. Pour faire ces calculs on ne tient compte que des 16 essais du plan factoriel.
On ne prend pas en compte les 4 points centraux. En effet, ces points sont des points
de contrle et non des points de calcul. Ils serviront calculer une estimation de
lerreur exprimentale.
Le logiciel calcule le coefficient constant, les effets principaux et les six interactions
dordre 2 (Tableau 5.3).
Tableau 5.3 Coefficients du modle (units codes).
Effet
Valeur
cart-type
t de Student
p-value
Constante
11,55
0,3609
32
< 0,0001
Dbit (1)
0,10
0,3609
0,28
0,7928
6,29
0,3609
17,42
< 0,0001
Profondeur (3)
3,42
0,3609
9,49
0,0002
Vitesse davance (4)
2,07
0,3609
5,75
0,0022
12
0,64
0,3609
1,77
0,1376
13
0,32
0,3609
0,90
0,4091
14
0,35
0,3609
0,97
0,3767
23
1,59
0,3609
4,40
0,0070
24
1,11
0,3609
3,08
0,0274
34
0,60
0,3609
1,66
0,1573
Pour bien interprter ce tableau, il faut comprendre la signification des informations fournies, en particulier lcart-type, le t de Student et la p-value. Cela nous
oblige faire un long dtour pour introduire les principales notions de statistiques
utiles aux plans dexpriences. Nous verrons comment on utilise les principales
proprits de la distribution normale pour estimer les erreurs et les probabilits.
Ces outils statistiques permettent dobtenir une bonne mthode dvaluation de
linfluence des facteurs. Enfin nous verrons comment lanalyse de la variance
70
5.2 Notions de statistique appliques

donne accs des grandeurs statistiques utiles pour bien valuer les modles mathmatiques utiliss. La dernire partie de cette grande parenthse est une application
qui permet de voir comment sont utilises les notions de statistique introduites.
5.2 Notions de statistique appliques aux plans

dexpriences
On dfinira dabord lerreur exprimentale, puis les notions de population et
dchantillon.
5.2.1 Erreur exprimentale
Les quatre points au centre ont des valeurs diffrentes. Au lieu de donner la liste des
quatre valeurs, on peut essayer de la rsumer en indiquant la valeur centrale et la
dispersion autour de cette valeur centrale. En gnral, on prend la moyenne arithmtique comme valeur centrale et lcart-type comme mesure de la dispersion.
m Moyenne
Par dfinition, la moyenne arithmtique dun ensemble de valeurs est la somme de

toutes les valeurs divises par le nombre de valeurs. Ici, la moyenne arithmtique
est gale :
1
y = --- ( 11,1 + 12,6 + 10,4 + 11,9 ) = 11,5
4
m cart-type
La dfinition de lcart-type est un peu moins simple que celle de la moyenne.

Nous allons dcrire son calcul pas pas :
1. On commence par calculer les carts la moyenne, cest--dire la diffrence
entre chaque valeur et la moyenne :
11,1 11,5 = 0,4
12,6 11,5 = +1,1
10,4 11,5 = 1,1
11,9 11,5 = 0,4
Notez que la somme de ces carts la moyenne est gale zro. On dmontre dailleurs
que cest toujours le cas :
i=n
i=n
i=n
i=n
i=1
i=1
i=1
i=1
n
( yi y ) = yi y = --n- yi ny = ny ny = 0
On ne peut donc pas prendre la somme des carts comme mesure de la dispersion.
Cest pourquoi on fait disparatre le signe ngatif en prenant les carrs des carts.
2. Ces carts la moyenne sont donc levs au carr et additionns. On obtient
ainsi la somme des carrs des carts la moyenne :
(0,4)2 + (1,1)2 + (1,1)2 + (0,4)2 = +0,16 + 1,21 + 1,21 + 0,16 = +2,74
71

3. Cette somme est divise par le nombre de valeurs moins 1 :

2,74
------------ = 0,9133
41
Cette quantit porte le nom de variance. Cest une grandeur fondamentale de la
science statistique. On la retrouve partout et il en sera fait un grand usage.
4. Enfin lcart-type est obtenu en prenant la racine carre de la variance :
cart-type = 0,9133 = 0,9557 0,96
Pourquoi prend-on la racine carre de la variance ? Simplement pour exprimer la
dispersion dans la mme unit que les donnes dorigine et que la moyenne. Les
comparaisons sont ainsi facilites. En effet, quand on a lev au carr les carts la
moyenne, on a aussi lev au carr lunit de mesure. La variance est donc
exprime avec une unit qui a pour dimension le carr de lunit dorigine.
Heureusement les ordinateurs sont l pour faire ces calculs et ils indiquent directement la valeur de lcart-type des rponses.
Que signifient ces deux grandeurs, moyenne et cart-type ? Et comment allonsnous nous en servir ?
Si lon a une srie de rponses effectues au mme point exprimental, on peut
calculer la moyenne et lcart-type de la srie. Mais peut-on dire davance, avec une
forte probabilit de ne pas se tromper, quelle serait la valeur dune nouvelle mesure
effectue au mme point exprimental ? Il est fort probable quelle ne serait pas trs
diffrente de la moyenne. Si au lieu dindiquer un chiffre, on indiquait une fourchette,
on aurait moins de chances de se tromper. Si lon dit : la valeur sera probablement
comprise entre telle et telle valeur , on augmente les chances de prvision par
rapport la moyenne. Si on prend une fourchette plus large, on aura de grandes
chances de faire une bonne prvision. Les statisticiens ont calcul la probabilit
que lon avait de ne pas se tromper ! Et cela grce lcart-type.
Pour approfondir ces importantes questions, nous allons voir successivement les
notions de population, dchantillon, de distribution, de degrs de libert et de transmission des erreurs.
5.2.2 Population
Supposons que nous fassions plusieurs mesures dans les mmes conditions exprimentales. Nous obtenons une suite de valeurs qui sont proches les unes des autres
mais qui sont lgrement diffrentes. Imaginons que nous poursuivions les
mesures jusqu en obtenir une infinit. Lensemble de toutes ces valeurs forme
une population de grandeurs alatoires caractrise par :
la valeur centrale des mesures, appele moyenne de la population et note m ;
lcart-type de la population, not spopulation,
la distribution.
5.2.3 chantillon
Dun point de vue statistique, obtenir un chantillon de n valeurs, cest tirer au

hasard n valeurs dans la population de toutes les valeurs possibles. La valeur de n
72

est petite vis--vis du nombre dindividus de la population. Un chantillon de n

valeurs est caractris par :
la valeur moyenne des mesures ; soit un chantillon de n rponses, yi ; la
moyenne y est calcule grce la relation :
i=n
y = 1--- y i
n
i=1
lcart-type de lchantillon, not schantillon ;

lhistogramme des valeurs.
Un histogramme est une reprsentation graphique de lensemble de toutes les
valeurs de lchantillon. Pour construire lhistogramme de la figure 5.1, nous
avons suppos que lchantillon contenait 100 valeurs comprises entre 9 et 14. On
dfinit des classes de largeur 0,5 unit. La premire classe contient 1 valeur
comprise entre 9 et 9,50. La deuxime contient 5 valeurs comprises entre 9,50 et
10. La troisime contient 8 valeurs comprises entre 10 et 10,50. La quatrime
contient 14 valeurs comprises entre 10,50 et 11. La cinquime contient 20 valeurs
comprises entre 11 et 11,50. La sixime classe contient 22 valeurs comprises entre
11,50 et 12. Les classes suivantes contiennent 15, 9, 5 valeurs et la dernire
contient 1 valeur.
50
45
40
Effectif
35
30
25
20
15
10
5
0
8
10
11
12
13
14
15
Valeur de la variable
Figure 5.1 Histogramme des 100 mesures de lchantillon.
5.2.4 De lchantillon la population
Il est trs rare que lon puisse connatre directement les caractristiques dune
population. Le moyen le plus souvent utilis est destimer ces caractristiques
partir dun chantillon. Les statisticiens se sont penchs sur ce problme et voici
leurs conclusions :
73

La meilleure estimation de la moyenne de la population, cest la moyenne de

lchantillon :
Meilleure estimation de m = y de lchantillon
La meilleure estimation de lcart-type de la population est note par la lettre s.
Elle est donne par la relation :
i=n
s = Meilleure estimation de spopulation =
2
1
------------ ( y i y )
n1
i=1
Il faut souligner que le dnominateur est n 1 et non n.

m Degrs de libert
Soit n rponses mesures indpendamment les unes des autres. Il nexiste pas de
relation mathmatique entre elles. Les n carts la moyenne correspondants ne
sont pas indpendants. En effet, il existe une relation mathmatique entre ces
carts. Quand on en connat n 1, on peut calculer le dernier avec la relation
mathmatique. Par exemple, reprenons les quatre carts la moyenne de lexemple
(voir lcart-type). Les trois premiers carts sont :
0,4
+1,1
1,1
Le quatrime cart sobtient facilement puisque la somme des carts est toujours
gale 0 :
quatrime cart 0,4 + 1,1 1,1 = 0
quatrime cart = 0,4
Il ny a donc que n 1 carts indpendants. On dit que la srie des n carts la
moyenne possde n 1 degrs de libert (ou ddl). Le nombre de degrs de libert
est important car il intervient dans de nombreuses formules de statistique.
m Distribution
Au fur et mesure que lon ajoute des valeurs un chantillon, on obtient un

histogramme de plus en plus rgulier et, pour un nombre infini de valeurs, cest-dire pour une population, on a une rpartition qui sappelle une distribution. Il est
possible de dcrire la distribution dune population par une relation mathmatique.
Par exemple, la distribution la plus souvent rencontre dans les plans dexpriences
est la distribution normale ou distribution de Laplace-Gauss. Cette distribution est
illustre par une courbe ayant laspect dune cloche et elle est dfinie par la relation :
2
1
f ( y ) = ----------------------------------e
population 2
(y )
-------------------------2
2 population
Cette distribution est parfaitement dfinie par la moyenne de la population m et

par lcart-type spopulation. On peut ramener toutes les distributions de LaplaceGauss la distribution normale ayant une moyenne nulle et un cart-type unit
(Figure 5.2).
74

Distribution normale
0,45
Densit de frquence
0,4
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
4
cart-type
Figure 5.2 Reprsentation de la distribution normale
(m = 0 ; spopulation = 1).
5.2.5 Principales proprits de la distribution normale
La lecture de la courbe de Laplace-Gauss consiste regarder la surface qui est sous

la courbe en cloche. La surface totale reprsente toutes les valeurs possibles de la
population. La probabilit quune valeur soit suprieure 1,2 (ou toute autre
valeur donne) est reprsente par la surface comprise entre 1,2 et linfini
(Figure 5.3).
0,45
Densit de frquence
0,4
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
4
1,2
cart-type
Figure 5.3 La probabilit de tirer une valeur suprieure 1,2
est proportionnelle la surface grise.
La probabilit quune valeur soit infrieure 0,8 (ou toute autre valeur donne) est
reprsente par la surface comprise entre moins linfini et 0,8 (Figure 5.4).
75

0,45
Densit de frquence
0,4
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
4
0,8
cart-type
Figure 5.4 La probabilit de tirer une valeur infrieure 0,8
Enfin la probabilit quune valeur soit comprise entre 0,5 et +1,5 (ou toute autre
valeur donne) est reprsente par la surface comprise entre ces deux valeurs
(Figure 5.5).
0,45
Densit de frquence
0,4
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
4
1 0,5 0
1 1,5 2
cart-type
Figure 5.5 La probabilit de tirer une valeur comprise entre 0,5 et +1,5
Par exemple, il a t dmontr que 68,26 % des valeurs de la population sont

comprises entre moins un cart-type et plus un cart-type autour de la moyenne
de la population (Figure 5.6). On en dduit que si lon fait un tirage au hasard
dans une population de distribution normale, on a environ 68 % de chances de
tirer une valeur comprise entre m spopulation et 32 % de chances de tirer une valeur
extrieure cet intervalle.
76

0,45
Densit de frquence
0,4
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
4
cart-type
Figure 5.6 Dans lintervalle m spopulation, il y a 68,26 % de la population.
On a montr de mme que 95 % des valeurs de la population sont comprises

entre moins 1,96 cart-type et plus 1,96 cart-type autour de la moyenne de la
population (Figure 5.7). Un tirage au hasard dans une population de distribution
normale aura une valeur comprise entre m 1,96 spopulation dans 95 % des cas.
Dans 5 % des cas, on tirera une valeur extrieure cet intervalle.
0,45
Densit de frquence
0,4
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
4
cart-type
Figure 5.7 Dans lintervalle m 1,96 spopulation, il y a 95 % de la population.
Enfin dans lintervalle m 3 spopulation, il y a 99,74 % des valeurs de la population

(Figure 5.8). Il y a environ 2,5 chances sur 1 000 de tirer une valeur qui diffre de
3 carts-types de la moyenne de la population.
Dans tous les cas, cest lcart-type de la population qui est pris comme rfrence.
Cette statistique est donc trs importante puisque cest grce elle que lon peut
estimer la dispersion des mesures. On prend lestimation de lcart-type de la
population des rponses comme mesure de lerreur exprimentale.
77

0,45
Densit de frquence
0,4
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
4
cart-type
Figure 5.8 Dans lintervalle m 3 spopulation, il y a 99,74 % de la population.
5.2.6 Transmission des erreurs
Dun point de vue statistique, dterminer une rponse, cest faire un tirage au hasard
dune valeur dans la population de ces rponses. Cette population possde une
distribution, une moyenne et un cart-type. Dans la majorit des cas, la distribution
des rponses est une distribution de Laplace-Gauss et lcart-type de cette population
est une mesure de lerreur exprimentale. Si lon tire plusieurs rponses au hasard,
elles ont de grandes chances dtre rparties autour de la moyenne.
Si on a ralis plusieurs mesures de la rponse au point central, on peut calculer la
moyenne de ces rponses :
1
y = --- [ +y 1 + y 2 + y 3 + y 4 ]
4
Comment les erreurs commises sur les rponses yi se rpercutent-elles sur la
moyenne ? Les statisticiens ont tudi ce problme et se sont aperus que les erreurs
ne sadditionnaient pas. Lerreur commise sur la moyenne nest pas quatre fois lerreur
commise sur une rponse. Pour rsoudre ce problme, il faut faire intervenir une
nouvelle grandeur : la variance. Par dfinition, la variance dune rponse V(yi ) est
le carr de son cart-type, cest--dire que si lcart-type de la rponse y1 est sy ,
2
la variance de cette rponse est y . La relation donnant une estimation de la
2
variance s y de la population des rponses est :
i=n
2
2
1
s y = V ( y i ) = ------------ ( y i y )
n1
i=1
On constate que la variance est gale la somme des carrs des carts la moyenne
divise par le nombre de degrs de libert des carts la moyenne. Dune manire
gnrale, la variance dune srie de donnes est obtenue de la mme manire : on
divise la somme des carrs des carts la moyenne par le nombre de degrs de
libert de la srie de donnes. Cette rgle sera largement utilise dans le paragraphe
sur lanalyse de la variance o plusieurs variances ayant des degrs de libert diffrents
seront calcules.
78

Ce sont les variances qui sadditionnent et elles sadditionnent quel que soit le
signe (positif ou ngatif) qui est devant la rponse. La variance dune somme est donc
gale :
V(+y1 + y2 + y3 + y4) = V(y1) + V(y2) + V(y3) + V(y4)
La variance dune diffrence est gale :
V(y1 + y2 y3 + y4) = V(y1) + V(y2) + V(y3) + V(y4)
Dans la formule de la moyenne, il y a le coefficient 1/4. Quand on passe la
variance, ce coefficient est lev au carr. La variance de la moyenne est gale :
1 2
1 2
V( y ) = --- V(y1 + y2 + y3 + y4) = --- [V(y1) + V(y2) + V(y3) + V(y4)]
4
4
Si les variances des rponses sont gales entre elles, on dit quil y a homoscdasticit
et la relation prcdente devient :
1 2
V( y ) = --- [V(y1) + V(y2) + V(y3) + V(y4)] =
4
4
----- V(yi)
16
1
V( y ) = --- V(yi)
4
Prenons les racines carres des deux membres de cette relation et remplaons par n
le nombre de rponses intervenant dans la formule de la moyenne :
V(y) =
V ( yi )
-----------n
soit :
y
y = -------i
{5.1}
n
Lcart-type de la moyenne est gal lcart-type des rponses individuelles divis
par la racine carre du nombre des rponses individuelles qui interviennent dans le
calcul de la moyenne. Cette relation indique que plus n est grand, meilleure est la
prcision sur la moyenne.
La dispersion de la moyenne est plus faible que la dispersion des rponses. On a
donc une meilleure prcision sur lestimation de la moyenne que sur les rponses
elles-mmes.
5.2.7 Intervalle de confiance des rponses
Nous venons de voir limportance de lcart-type de la population des rponses

qui est considr comme une valuation de lerreur exprimentale ou erreur pure.
Lestimation de lcart-type s dune population de rponses partir dun chantillon est obtenue laide de la relation :
i=n
s =
2
1
------------ ( y i y )
n1
i=1
79

Mais la qualit de cette estimation dpend du nombre n de valeurs prises en compte

pour calculer lcart-type. Si lchantillon contient beaucoup de mesures, lcart-type
calcul sera de bonne qualit, cest--dire proche de lcart-type de la population.
Si lchantillon contient peu de mesures, lcart-type calcul sera de moins bonne
qualit et il faudra prendre des prcautions supplmentaires pour lutiliser. Lintervalle
de confiance Ic dpend :
de la probabilit choisie par lutilisateur ; cette probabilit est souvent de 95 ou
99 % ;
de la qualit de lcart-type calcul.
On a :
Ic = k schantillon
Le tableau 5.4 indique les valeurs de k en fonction de la probabilit choisie par
lutilisateur (pourcentage de cas o lhypothse est correcte) et de la qualit de
lcart-type calcul (nombre de mesures ayant servi calculer s).
Si lchantillon possde un trs grand nombre de valeurs indpendantes, la qualit
de lcart-type est bonne. On observe cette situation dans les usines ou les laboratoires de contrle qui procdent journellement aux mmes mesures sur les mmes
produits. Choisissons une probabilit de 95 %. Dans ce cas, si lon effectue une
mesure yi, on pourra dire que lon a 95 % de chances que lintervalle yi 1,96
schantillon contienne la moyenne de la population.
Dans le cas des plans dexpriences, il est rare que n soit lev. On a, le plus souvent,
ralis quelques mesures de la rponse au mme point dexpriences, en gnral au
centre du domaine exprimental. Il sagit de rptitions, cest--dire de mesures
ralises dans les mmes conditions exprimentales. Supposons que lcart-type ait
t obtenu avec 5 mesures de rptition et que lon souhaite une probabilit de
95 %. Dans ce cas, si lon effectue une mesure yi, on aura 95 % de chances que
lintervalle yi 2,78s contienne la moyenne de la population. Avec 10 mesures de
rptition pour le calcul de lcart-type, on pourra dire que lon a 95 % de chances
que lintervalle yi 2,26 s contienne la moyenne de la population.
Tableau 5.4 Nombre dcarts-types prendre compte pour dterminer la probabilit
que la moyenne de la population soit dans lintervalle de confiance.
Nombre de mesures ayant servi calculer s
Pourcentage
de cas o
lhypothse
est correcte
80
10
20
70 %
1,96
1,38
1,25
1,19
1,10
1,06
1,03
90 %
6,31
2,92
2,35
2,13
1,83
1,73
1,64
95 %
12,71
4,3
3,18
2,78
2,26
2,06
1,96
99 %
63,66
9,92
5,84
4,60
3,25
2,86
2,58
5.3 Facteurs et interactions influents
5.3 Facteurs et interactions influents

Linfluence des facteurs et de leurs interactions est value par lintermdiaire des
coefficients du modle postul. Il nous faut donc trouver une valeur talon pour
juger de limportance dun coefficient. Cet talon sera lcart-type du coefficient.
On comparera la valeur du coefficient la valeur de son cart-type.
1. Si le coefficient est nettement plus grand que son cart-type, on estimera que le
coefficient est influent :
a1 >> sa1
2. Si le coefficient est nettement plus petit que son cart-type, on estimera que lon
peut liminer ce coefficient :
a1 << sa1
3. Si le coefficient est du mme ordre de grandeur que son cart-type, il faudra
faire appel ses connaissances du phnomne et aux enjeux de ltude pour prendre
une dcision :
a1 sa1
Pour valuer limportance dun coefficient, la thorie des statistiques compare ce

coefficient son cart-type en faisant le rapport a1 / sa1. Ce rapport est appel le t
de Student. partir du t de Student, on peut valuer la probabilit que le coefficient soit nul ou, autrement dit, sans importance ou peu significatif. Cette probabilit est la p-value. Si la p-value est proche de 0 (probabilit nulle), le coefficient
est influent car il nest pas nul. Si la p-value est proche de 1, le coefficient est
proche de 0 et donc ngligeable. Si la p-value possde une valeur intermdiaire, le
coefficient est peut-tre lgrement significatif ou non significatif.
Savoir si un coefficient est ngligeable ou non impose davoir une valuation de
lcart-type de la population de ce coefficient. Nous savons que les coefficients
dpendent des rponses, du modle postul et de la mthode de calcul. De mme, la
variance des coefficients dpend des rponses, du modle postul et de la mthode
de calcul. Les statisticiens ont tabli les formules donnant la variance des coefficients V(ai) = 2ai en fonction de la variance des carts V(e), somme de la variance de
lerreur exprimentale et de la variance de lerreur commise sur le modle postul :
V(ai) = K V(e)
o la constante K dpend du modle postul et de la matrice dexpriences. Dans
le cas le plus gnral K est trs long calculer et seuls les logiciels spcialiss possdent les algorithmes pour faire ce calcul. Dans le cas des plans factoriels dont les
niveaux 1 et +1 sont parfaitement respects et lorsque le modle postul est un
polynme, cest--dire dans les cas que nous avons rencontrs, la relation se
simplifie et devient :
1
V(ai) = --- V(e)
n
La variance des coefficients est donc directement lie la variance de lcart.
Rappelons que lcart peut tre divis en deux parties : le manque dajustement
(lack of fit en anglais) et lerreur exprimentale (pure error en anglais) :
e=+D+e
81
5.4 Analyse de la variance
Et que lon a :
V(e) = V(D) + V(e)
Pour obtenir la grandeur talon que nous recherchons, il faut possder une valeur
de la variance de lcart. On obtient cette valeur grce lanalyse de la variance.

5.4.1 Principes de lanalyse de la variance
Lanalyse de la variance consiste rechercher les sources de variation des rponses. On

suppose que les rponses ont t calcules avec le modle postul, yi = f (x1,x2,x3,,xn) + ei,
en utilisant la mthode des moindres carrs cest--dire en minimisant la somme
des carrs des carts. Dans ce cas, les rponses calcules scrivent y i et les carts e
prennent des valeurs particulires ri qui sappellent les rsidus. Les rsidus sont
donc des valeurs particulires des carts. On a :
yi = f (x1,x2,x3,,xn)
Avec ces nouvelles notations, la relation donnant la rponse peut scrire :

yi = y i + ri
Lanalyse classique de la variance fait intervenir non pas les rponses mais la diffrence entre les rponses et leur moyenne, ( y i y ) ou ( y i y ) . Cette diffrence est
dsigne soit par carts la moyenne, soit par rponse corrige de la moyenne. Dans le
cas des rponses calcules, on parle aussi de modle corrig de la moyenne.
Dans le cadre de la mthode des moindres carrs, la moyenne des rponses mesures
est gale la moyenne des rponses calcules avec le modle postul. On a donc,
y tant la moyenne des rponses :
y i y = y i y + r i
Lorsquon lve les deux membres de cette relation au carr, on obtient :
( yi y )
(y i y ) + ri
2
{5.2}
Cest la relation de base de lanalyse de la variance. Le membre de gauche est la

somme des carrs des carts la moyenne des rponses mesures. Cette somme se
dcompose en deux lments : la somme des carrs des carts la moyenne des
rponses calcules avec le modle et la somme des carrs des rsidus.
La somme des carrs des rsidus est la plus faible valeur de la somme des carrs des
carts. On a donc :
ri
= Minimum de
ei
= Minimum de
( + )i
Si lon divise la somme des carrs des rsidus par le nombre de degrs de libert des
rsidus, on obtient la variance des rsidus. La variance des rsidus V(ri ) est donc la
plus petite variance des carts V(e). On peut crire :
82
i=n
2
1
V(ri ) = Minimum de V(e) = ----------- r i
np
i=1
Cest cette valeur minimale de la variance des carts qui est gnralement adopte
comme talon de comparaison pour valuer limportance dun coefficient. La variance
des coefficients est alors calcule :
soit par la formule gnrale utilise par les ordinateurs :
V(ai ) = K V(e) = V(ri )
soit par la formule simplifie lorsquil sagit de plans factoriels et dun modle
postul polynomial :
1
1
{5.3}
V(ai ) = --- V(e) = --- V(ri )
n
n
En rsum, la variance des rsidus de lanalyse de la variance sert calculer la
variance des coefficients. Cest la variance des coefficients qui sert dtalon pour tester
si un coefficient est significatif ou non.
Remarque 1
Les n rponses mesures sont toutes indpendantes, cest--dire quil nexiste pas de relation mathmatique entre elles. Elles possdent donc n degrs de libert. On a utilis un degr de libert pour
calculer la moyenne. La variance des carts la moyenne des rponses mesures, y i y , possde
n 1 degrs de libert.
Le calcul des p coefficients a pris p 1 degrs de libert seulement car la moyenne avait dj t
calcule. La variance des carts la moyenne des rponses calcules, y i y , possde donc p 1
degrs de libert.
Il reste donc n 1 (p 1) = n p degrs de libert pour le calcul de la variance des rsidus.
Remarque 2
Les rgles et les tests statistiques ne sappliquent quaux variables purement alatoires. Le manque
dajustement ntant pas une grandeur alatoire mais une erreur systmatique, on ne devrait pas
appliquer les rgles statistiques aux carts. On le fait pourtant car on suppose que le manque
dajustement est de lordre de grandeur de lerreur exprimentale. Il est donc bon de sassurer de la
validit de cette hypothse : le manque dajustement est de lordre de grandeur de lerreur exprimentale. La mesure de lerreur exprimentale V( ) est assure par des rptitions. La mesure de la
variance des rsidus V(r) est tire de lanalyse de variance. On peut donc calculer la variance de
lajustement V(D ) :
V(r) = V( ) + V( )
En comparant la variance de lerreur exprimentale la variance de lajustement, il est possible de
voir si lhypothse est valide.
Remarque 3
Il ne faut pas confondre les carts, les rsidus et les carts la moyenne.
Les carts sont les diffrences, e, entre les rponses mesures et le modle mathmatique postul
avant deffectuer les calculs des coefficients par la mthode des moindres carrs :
yi = f (x1,x2,x3,,xn) + ei
Les rsidus sont les diffrences, ri , entre les rponses mesures et les rponses calcules avec des
coefficients obtenus par la mthode des moindres carrs :
ri = yi y i
83
Les carts la moyenne sont les diffrences yi y ou y i y entre les rponses et la moyenne des
rponses.
Remarque 4
Le carr moyen des rsidus est obtenu en divisant la somme des carrs des rsidus par le nombre de
degrs de libert correspondant. Cest donc une grandeur analogue une variance. Par consquent,
la racine carre de cette variance est analogue un cart-type. Cest pourquoi, on trouve souvent
les expressions variance rsiduelle et cart-type des rsidus pour qualifier ces grandeurs. Mais comme
les carts ne sont pas entirement alatoires, certains auteurs prfrent utiliser le terme carr moyen
des rsidus la place de variance rsiduelle et racine carre du carr moyen des rsidus au lieu dcarttype des rsidus. Lexpression racine carre du carr moyen des rsidus tant un peu longue, on a
lhabitude dutiliser la place labrviation anglo-saxonne RMSE (Root Mean Square Error).
Quand le modle est bien ajust, on utilise cette RMSE pour calculer lerreur sur les coefficients du
modle postul.
Quelles que soient les dnominations utilises pour ces grandeurs, elles impliquent
de longs calculs. Heureusement les ordinateurs ralisent tous ces calculs et fournissent directement les rsultats de lanalyse de la variance sous la forme dun tableau. Le
seul lment choisi par lexprimentateur est le modle a priori qui sert obtenir les
rponses calcules. Les rsultats de lanalyse de la variance seront dpendants du
choix du modle. Nous invitons les lecteurs refaire les calculs de lanalyse de la
variance en utilisant diffrents modles postuls. Ils verront linfluence du choix
du modle sur la valeur de la RMSE.
5.4.2 Prsentation de lanalyse de la variance
Les logiciels, et mme les tableurs, ont des programmes qui construisent les
tableaux danalyse de la variance. Les plus simples de ces tableaux comportent
5 colonnes (source de variation, somme des carrs, degrs de libert, carr moyen
et statistique de Fisher) et 4 lignes (titres, modle corrig de la moyenne, rsidus et
rponses mesures corriges de la moyenne) semblables au tableau 5.5. La premire
colonne indique les sources de variation. On y trouve le modle, les rsidus et les
rponses mesures. La deuxime colonne donne les sommes des carrs des carts
la moyenne. On remarque que la somme des carrs des rponses mesures (corriges de la moyenne) est gale la somme des deux autres sommes de carrs. La
troisime colonne indique les degrs de libert (ddl) de chaque somme de carrs.
On remarque galement que la somme des ddl du modle et des rsidus est gale
aux ddl des rponses mesures. Les carrs moyens de la quatrime colonne sont les
sommes des carrs divises par les ddl. On notera que la racine carre du carr
moyen des rsidus sert calculer ltalon permettant de tester les coefficients. Cest
donc une statistique trs importante. Enfin, la cinquime colonne indique le F de
Fisher qui est le rapport du carr moyen du modle celui des rsidus. Ce rapport
permet de calculer la probabilit que ces deux carrs ne soient pas gaux. En dautres
termes, si le F de Fisher est lev (faible probabilit que le modle soit celui de la
moyenne), les variations des rponses mesures sont bien dues aux variations des
facteurs. Si le F de Fisher est proche de 1 (forte probabilit que le modle soit celui
de la moyenne), les variations des rponses mesures sont comparables celles des
rsidus.
84
Tableau 5.5 Analyse de la variance.

Source des variations
Somme
des carrs
ddl
Carr
moyen
Fisher
Modle corrig de la moyenne
965,30
10
96,530
46,3196
Rsidus
10,42
2,084
Prob F 0,0003
Rponses mesures corriges de la moyenne
975,72
15
m Coefficient de dtermination R2
Lanalyse de la variance permet de calculer une statistique trs utile : le R2 ou R carr.

Cette statistique est le rapport de la somme des carrs des rponses calcules (corriges de la moyenne) la somme des carrs des rponses mesures (corriges de la
moyenne) :
R 2 = Somme des carrs des rponses calcules corriges de la moyenne
Somme des carrs des rponses mesures corriges de la moyenne
Dans cet exemple :
2
965,30
R = ---------------- = 0,9893
975,72
Si le modle permet de retrouver exactement la valeur des rponses mesures, la
somme des carrs des rponses calcules est gale la somme des carrs des rponses
mesures. Le R2 est gal 1.
Si le modle fournit des rponses calcules gales la moyenne, la somme des
carrs des rponses calcules est gale 0. Le R2 est gal 0. On dit que le modle
na pas de puissance dexplication.
Le R2 est donc une mesure de la qualit du modle. Sil est gal 1, le modle
permet de retrouver la valeur des rponses mesures. Sil est gal 0, le modle nen
dit pas plus que la moyenne des rponses. Dans la pratique, il est difficile dindiquer
la valeur dun bon R2 car les valeurs varient beaucoup dune discipline lautre.
Par exemple, un R2 de 0,8 peut tre considr comme mauvais par un ingnieur et
un R2 de 0,3 peut tre vu comme bon par un psychologue.
Le R2 joue vritablement son rle dindicateur de la qualit du modle condition
que les rsidus ne soient pas nuls. Si les rsidus sont nuls, le R2 est gal 1 quelle
que soit la qualit du modle. On observe un tel cas lorsquil ny a pas de degrs de
libert. Le R2 est donc un bon indicateur de la qualit du modle sil y a plus de
points exprimentaux diffrents que de coefficients dans le modle postul.

5.5.1 Analyse de la variance
Nous allons construire la table de lanalyse de la variance de lexemple sur les outils
jetables et en dduire limportance de chaque coefficient. Rassemblons dabord les
85
donnes de base : les rponses mesures, les rponses calcules avec un modle et
les rsidus correspondants (Tableau 5.6). Le modle choisi est le modle des plans
factoriels avec les interactions dordre 2. Il contient 11 coefficients :
y = 11,55 0,1x1 6,2875x2 3,425x3 2,075x4
+ 0,6375x1x2 + 0,325x1x3 + 0,35x1x4 + 1,5875x2x3 1,1125x2x4 + 0,6x3x4
Tableau 5.6 Donnes de base de lanalyse de la variance.
Essai n
Rponses mesures
Rponses calcules
Rsidus
26,1
25,825
0,275
22,2
23
0,8
10,1
11,025
0,925
12,2
10,75
1,45
14,2
13,95
0,25
12,7
12,425
0,275
5,9
5,5
0,4
5,6
6,525
0,925
23
22
10
20,1
20,575
0,475
11
2,4
2,75
0,35
12
3,7
3,875
0,175
13
11
12,525
1,525
14
13,4
12,4
15
0,5
0,375
0,875
16
1,7
2,05
0,35
m Somme des carrs des rponses mesures corriges de la moyenne
La moyenne des rponses mesures est 11,55.

1. On commence par calculer les carts la moyenne des 16 rponses mesures au
cours du plan factoriel :
26,1 11,55 = +14,55
22,2 11,55 = +10,65
10,1 11,55 = 1,45
0,5 11,55 = 11,05

1,7 11,55 = 9,85
86
2. Puis, ces carts la moyenne sont levs au carr et additionns. On obtient

ainsi la somme des carrs des carts la moyenne des rponses mesures corriges
de la moyenne :
(14,55)2 + (10,65)2 + + (11,05)2 + (9,85)2
= + 211,702 5 + 113,422 5 + + 122,102 5 + 97,022 5 = + 975,72
m Carr moyen des rponses calcules avec le modle et corriges de la moyenne
(variance des rponses calcules ou variance du modle)
1. On calcule les 16 rponses avec le modle dfini plus haut. On vrifie que leur
moyenne est gale 11,55.
2. On calcule les carts la moyenne des 16 rponses calcules :
25,825 11,55 = +14,275
23,0 11,55 = +11,45
11,025 11,55 = 0,525
0,375 11,55 = 11,925

2,05 11,55 = 9,5
3. Ces carts la moyenne sont levs au carr et additionns. On obtient ainsi la
somme des carrs des carts la moyenne des rponses calcules corriges de la
moyenne :
(14,275)2 + (11,45)2 + + (11,925)2 + (9,5)2
= + 203,775 625 + 131,102 5 + + 142,205 625 + 90,25 = + 965,30
4. Cette somme est divise par le nombre de coefficients du modle moins 1. On
obtient le carr moyen des rponses calcules avec le modle (ou variance des
rponses calcules ou variance du modle) :
965,30
---------------- = 96,53
11 1
m Carr moyen des rsidus (variance des rsidus)
Rappelons quun rsidu est gal :

r i = y i y i
1. On calcule les 16 rsidus :
26,1 25,825 = +0,275
22,2 23 = 0,8
10,1 11,025 = 0,925
0,5 (0,375) = 0,875

1,7 2,05 = 0,35
2. Ces rsidus sont levs au carr et additionns. On obtient ainsi la somme des
carrs des rsidus :
+0,075 625 + 0,64 + + 0,765 625 + 0,122 5 = +10,42
87
3. Cette somme est divise par n p = 16 11 = 5 degrs de libert des rsidus :

10,42
------------------ = 2,084
16 11
On obtient ainsi le carr moyen des rsidus. La racine carre de ce carr moyen est
la RMSE qui sert dtalon pour valuer limportance des coefficients. La RMSE
vaut ici 1,4436 lorsque le modle postul ne contient que les effets principaux et
leurs interactions dordre 2.
m cart-type des coefficients
Dans le cas de lexemple des outils de coupe jetables, il sagit dun plan factoriel o
les niveaux 1 et +1 ont t respects. Le modle est bien un modle polynomial, on
peut donc appliquer la formule simplifie et obtenir ainsi ltalon de comparaison.
Chaque coefficient a t calcul avec n = 16 rponses :
1
1
V ( a i ) = --- V ( r i ) = ------ 2,084 = 0,130 25
n
16
a =
i
0,130 25 = 0,360 9
Cest la valeur de comparaison que nous cherchions.

m p-value
La p-value est la probabilit quun coefficient soit ngligeable. On calcule cette pvalue partir du rapport du coefficient son cart-type (t de Student). Par
exemple, le t de Student du coefficient du dbit est 0,1/0,360 9 = 0,28, et la pvalue associe est gale 0,792 8.
Il est maintenant possible de construire un tableau o chaque coefficient figure
accompagn de sa valeur, de son cart-type, du t de Student et de la p-value
(Tableau 5.7). Ce tableau est identique au tableau 5.3. La seule diffrence est que
maintenant vous tes mme de comprendre la signification de tous les chiffres.
La constante moins de 1 chance sur 10 000 dtre gale 0. Elle nest donc certainement pas gale 0, elle est significative et il faut la conserver dans le modle final.
Le dbit (1) une p-value de 0,79, il a donc une forte chance dtre gal 0. Il peut
tre considr comme nul ou comme trs petit. Il nest donc pas significatif et on
peut lliminer du modle final. Cela signifie que les rponses calcules ne seront pas
trs diffrentes, que lon utilise un modle final avec ou sans ce coefficient.
Si lon fixe la probabilit dacceptation des coefficients une p-value de 0,10, on
conservera la vitesse de coupe (2), la profondeur de coupe (3), la vitesse davance
(4) ainsi que les interactions 23 et 24. Le modle final scrit alors :
{5.4}
y = 11,55 6,29x2 3,42x3 2,1x4 + 1,6x2x3 1,1x2x4
On vrifie que ce modle possde un bon R2 (0,97) et que les p-values des coefficients sont toujours infrieures 0,1. Si lon avait fix la probabilit dacceptation
des coefficients un autre niveau, on aurait pu obtenir un autre modle final. Le
choix du modle dfinitif est laiss lapprciation de lexprimentateur qui, lui,
connat les enjeux et les risques de ltude.
88
Tableau 5.7 Importance des coefficients du modle (units codes)

Coefficient
Valeur
cart-type
t de Student
p-value
Constante
11,55
0,360 9
32
< 0,000 1
Dbit (1)
0,1
0,360 9
0,28
0,792 8
6,287 5
0,360 9
17,42
< 0,000 1
Profondeur (3)
3,425
0,360 9
9,49
0,000 2
Vitesse davance (4)
2,075
0,360 9
5,75
0,002 2
Interaction (12)
0,637 5
0,360 9
1,77
0,137 6
Interaction (13)
0,325
0,360 9
0,90
0,409 1
Interaction (14)
0,35
0,360 9
0,97
0,376 7
Interaction (23)
1,587 5
0,360 9
4,40
0,007 0
Interaction (24)
1,112 5
0,360 9
3,08
0,027 4
Interaction (34)
0,6
0,360 9
1,66
0,157 3
5.5.2 Analyse des rsidus
Si linterprtation a t bien faite, le modle doit bien reprsenter les rponses mesures (R2 proche de 1) et la racine carre du carr moyen des rsidus doit tre du mme
ordre de grandeur que lerreur exprimentale. On peut encore sassurer quil ne reste
pas un peu dinformation structure dans les rsultats en examinant le graphique des
rsidus. Il est donc important de regarder comment les rsidus se rpartissent en fonction de diffrents critres. Sils semblent rpartis au hasard, il ne reste probablement
plus rien extraire des donnes. Cest le cas de lexemple de ce chapitre (Figure 5.9).
Rsidus
3
0
10
15
20
25
30
Rponses prvues de la dure de vie
Figure 5.9 Analyse des rsidus de lexemple sur les outils de coupe.
89
En revanche, si lanalyse des rsidus fait apparatre des dispositions remarquables,

il reste un peu dinformation extraire. Par exemple, on peut rencontrer des
diagrammes o les rsidus sont de plus en plus levs lorsque la rponse augmente
(Figure 5.10 haut). Dans ce cas, lhypothse dhomoscdasticit (mme erreur
exprimentale dans tout le domaine dtude) nest pas vrifie. On peut aussi
rencontrer des diagrammes o les rsidus sont ngatifs pour les faibles et les fortes
valeurs de la rponse et positifs pour les valeurs intermdiaires (Figure 5.10 bas).
Dans ce cas, lhypothse dun modle simple du premier degr ou dun modle du
premier degr avec interactions (modle PDAI) est probablement remettre en
cause et il faut passer un modle du second degr.
5
4
3
2
Rsidus
1
0
0
10
15
20
25
30
35
-1
-2
-3
-4
-5
Rponses prvues
Srie 1
3
2
Rsidus
0
0
10
15
20
25
30
35
-1
-2
-3
-4
-5
Rponses prvues
Figure 5.10 Exemples danalyse des rsidus montrant une structure particulire :
en haut, la dispersion des rsidus augmente avec la rponse (il ny a pas homoscdasticit),
en bas, les rsidus laissent supposer un modle du second degr.
90

La dure de vie des outils de coupe est surtout influence par la vitesse et la
profondeur de coupe. Pour mnager les outils, il faut travailler faible vitesse de
coupe et ne pas prendre des passes trop profondes. Mais si lon veut assurer la
rentabilit du procd, il faut que le rendement soit suffisamment lev. Il faudra
choisir le compromis qui assure une production rentable une usure contrle des
outils de coupe. Ce compromis est atteint si la dure de vie est au moins de
20 heures. Le modle tabli (units codes) permet de faire des prvisions :
y = 11,55 6,29x2 3,42x3 2,1x4 + 1,6x2x3 1,1x2x4
Le diagramme de la figure 5.11, trac pour un dbit de 725 et une vitesse davance
de 0,75, indique une zone potentiellement favorable qui se situe dans le quart
infrieur gauche, cest--dire aux faibles vitesses de coupe et aux faibles profondeurs. Daprs les rsultats du plan dexpriences, les essais n 1, 2, 9 et 10 rpondent ces impratifs et on vrifie que les dures de vie sont suprieures 20 heures
(Tableau 5.8).
Courbes isorponses de la dure de vie
0,2
0,19
0,18
0,17
0,16
10
0,14
0,13
0,12
0,11
15
0,1
Profondeur
0,15
0,09
0,08
20
0,07
0,06
0,05
10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
Vitesse de coupe
Figure 5.11 Courbes isorponses de la dure de vie des outils de coupe
en fonction de la vitesse de coupe et de la profondeur. Le dbit
et la vitesse davance sont fixs respectivement 725 et 0,75.
Mais avant de faire des propositions, il est bon de raliser des expriences de
contrle pour confirmer les prvisions. On ralise donc trois essais (Tableau 5.9),
lun aux bornes du domaine (essai n 21) et deux aux limites des 20 heures (essais
n 22 et 23).
91
Tableau 5.8 Essais dont les dures de vie sont suprieures 20 heures.
Essai n
Dbit
(1)
Vitesse
de coupe
(2)
Profondeur
(3)
Vitesse davance
(4)
Rponses
650
10
0,05
0,5
26,1
800
10
0,05
0,5
22,2
650
10
0,05
23
10
800
10
0,05
20,1
Tableau 5.9 Essais de vrification.
Essai n
Dbit
(1)
Vitesse
de coupe
(2)
Profondeur
(3)
Vitesse
davance
(4)
Rponses
prvues
Rponses
mesures
21
725
10
0,05
0,75
22,86
23,1
22
725
13
0,05
0,75
19,90
20,2
23
725
10
0,09
0,75
20,18
19,8
Dsirabilit
On compare les prvisions faites avec le modle simplifi {5.4} aux mesures effectues.
On constate un bon accord. Le modle est donc valid et les recommandations
pourraient tre les suivantes.
Afin de prserver les outils de coupe et leur assurer une dure de vie proche de
20 heures ou plus, il ne faut pas dpasser une vitesse de coupe de 11, la profondeur de coupe doit tre infrieure 0,07 et lavance doit tre plus petite que 0,75
(Figure 5.12). Ces recommandations sont faciles trouver avec la fonction dsirabilit (chapitre 4).
1
0
725
Dbit (1)
11
Vitesse (2)
0,07
Profondeur (3)
0,75
+1
Avance (4)
Figure 5.12 La dsirabilit permet de trouver rapidement les bonnes conditions opratoires.
92
6 PLANS FACTORIELS FRACTIONNAIRES
Comme les plans factoriels complets, les plans factoriels fractionnaires possdent
des facteurs ayant chacun deux niveaux, un niveau bas et un niveau haut. Mais, on
ne ralise pas toutes les combinaisons de niveaux. En effet, le nombre dessais des
plans factoriels complets augmente rapidement avec le nombre de facteurs. Il nest
pas rare de rencontrer des tudes faisant intervenir 7 ou 8 facteurs. Il est bien sr
draisonnable de vouloir excuter 27 = 128 ou 28 = 256 essais. On slectionne une
fraction des essais dun plan complet pour construire un plan fractionnaire. Cette
slection est base sur des considrations mathmatiques qui seront mises en
application grce au calcul de Box. Il est aussi possible dutiliser les logiciels de
plans dexpriences qui mettent en uvre ces principes mathmatiques. Linterprtation des plans fractionnaires est moins facile que celle des plans complets
puisquon possde moins dinformation. On se contente souvent de savoir quels
sont les facteurs influents, et parfois on va un peu plus loin en examinant les interactions dordre 2. Cest la raison pour laquelle ces plans sont souvent appels plans
de criblage. Ces plans permettent dtudier beaucoup de facteurs et de dterminer
ceux qui sont influents. Lanalyse ne va souvent pas plus loin et atteint rarement la
modlisation mathmatique des rponses.
Les modles mathmatiques utiliss sont donc, eux aussi, beaucoup plus simples.
On emploie des modles ne comportant que les facteurs principaux au premier
degr ou des modles avec des interactions dordre 2 suivant les objectifs de ltude.
Au lieu de raliser un plan complet 24 de 16 essais, on peut nexcuter que 8 essais,
cest--dire la moiti des essais. Le plan fractionnaire correspondant est un plan 24
divis par 2, soit un plan 24 /2 ou 241. La signification des termes de la dnomination 241 est la suivante : le 2 indique que les facteurs prennent chacun deux
niveaux, le 4 signifie que lon tudie 4 facteurs. Enfin, 4 1 = 3 signifie que lon
utilise un plan analogue au plan factoriel complet 23 qui ne comprend que 8
essais. On remarque galement que cette manire de dsigner un plan indique le
nombre dessais effectuer puisque lon a 241 = 8.
Linterprtation des plans fractionnaires ncessite de connatre la thorie des aliases
et dappliquer des hypothses dinterprtation. La premire des principales hypothses dinterprtation est la suivante :
Hypothse 1 Les interactions dordre trois et toutes celles
dordre plus lev peuvent tre ngliges.
93
6 Plans factoriels
fractionnaires
6.1 Exemple 05 : le tellure

m Prsentation de ltude sur le tellure
Des chimistes cherchent dterminer la teneur en tellure (Te) dans leau de mer.
Mais la nature et la concentration dautres mtaux faussent les mesures. La teneur
en tellure peut tre soit trop leve, soit trop faible en fonction des autres mtaux
et de leur concentration. Les mtaux perturbateurs pourraient tre le sodium (Na),
le potassium (K), le calcium (Ca) et le magnsium (Mg).
Les chimistes dsirent savoir quels sont les mtaux qui perturbent leur mesure et
avoir une ide de limportance des diffrences entre la concentration mesure et la
concentration relle en tellure. Ils veulent pouvoir rpondre la question : La
teneur en tellure mesure est-elle beaucoup, moyennement ou peu perturbe par
la prsence de Na, de K, de Ca et de Mg ? Pour raliser cette tude, les chimistes
prparent des solutions contenant toujours la mme quantit de tellure auxquelles
ils ajoutent des teneurs variables en mtaux perturbateurs.
Il ne sagit pas de faire des corrections de mesure en fonction des teneurs en Na, K,
Ca et Mg. Dans ce cas, il faudrait faire un plan complet de 16 essais ventuellement suivi dun plan du second degr si le modle PDAI tait insuffisant. Il sagit
simplement de connatre limportance de lerreur provoque par la prsence des
quatre mtaux tests.
La rponse choisie est la diffrence entre la concentration vraie en tellure et la

concentration dtermine par spectromtrie atomique.
Pour les quatre mtaux perturbateurs on retient :

la concentration en sodium,
la concentration en potassium,
la concentration en calcium,
la concentration en magnsium.
Le tableau 6.1 indique les concentrations et le domaine dtude. On notera que le
point central nest pas du tout au milieu de lintervalle [2,5 ; 250]. La raison est
que les chimistes savent quil faut faire intervenir les concentrations par leur logarithme. Avec une chelle logarithmique le niveau 0 est bien au point central.
Les facteurs tudis et qui seront utiliss dans les modles mathmatiques sont :
le logarithme de la concentration en sodium Na,
le logarithme de la concentration en potassium K,
le logarithme de la concentration en calcium Ca,
le logarithme de la concentration en magnsium Mg.
94
6 Plans factoriels
fractionnaires

Facteurs
Niveau 1
(mg/ml)
Niveau 0
(mg/ml)
Niveau +1
(mg/ml)
Concentration Na (1)
2,5
25
250
Concentration K (2)
2,5
25
250
Concentration Ca (3)
2,5
25
250
Concentration Mg (4)
2,5
25
250
Lexprimentateur pourrait faire un plan complet 24, soit 16 essais. Il pourrait

ainsi valuer les effets principaux, les interactions entre 2, 3 et 4 facteurs. Mais
daprs ses connaissances, il est peu probable quil y ait des interactions entre les
mtaux perturbateurs. Il dcide donc de faire un plan de 8 essais, cest--dire un
plan 24-1. Il pourra ainsi valuer les effets principaux de chaque facteur et savoir si
des interactions dordre 2 risquent dtre influentes.
Le tableau 6.2 indique les dtails du plan dexpriences et les rponses mesures au
cours de lexprimentation.
Tableau 6.2 Essais et rponses du plan dexpriences sur le tellure.

Essai n
Na
(1)
K
(2)
Ca
(3)
Mg
(4)
Rponse
128
+1
+1
153
+1
+1
104
+1
+1
130
+1
+1
86
+1
+1
109
+1
+1
66
+1
+1
+1
+1
96
Log 2,5
Log 2,5
Log 2,5
Log 2,5
Log 25
Log 25
Log 25
Log 25
+1
Log 250
Log 250
Log 250
Log 250
95
6 Plans factoriels
fractionnaires
6.1.3 Interprter les rsultats des calculs
Pour interprter les rsultats exprimentaux, on peut traiter les donnes brutes de
plusieurs manires. On peut liminer des coefficients du modle mathmatique pour
avoir autant (ou moins) dinconnues que dquations. On peut aussi regrouper les
coefficients pour avoir, l aussi, autant (ou moins) dinconnues que dquations.
Dans ce dernier cas, il faut utiliser la thorie des aliases pour comprendre ce que
signifient les valeurs numriques calcules. On peut aussi employer une mthode
mixte base la fois sur des modles simplifis et sur la thorie des aliases.
Cette interprtation des rsultats est facilite par les hypothses dinterprtation.
Nous verrons plusieurs plans fractionnaires et nous verrons comment des raisonnements simples permettent, soit de conclure que ltude est finie, soit de dcider
quil faut faire des essais supplmentaires pour lever les difficults rencontres.
m Modle mathmatique
En accord avec la premire hypothse dinterprtation ( Les interactions dordre trois

et toutes celles dordre plus lev peuvent tre ngliges ), on choisit un modle faisant
intervenir tous les termes du premier degr et toutes les interactions entre deux facteurs :
y = a0 + a1x1 + a2x2 + a3x3 + a4x4 +a12x1x2 + a13x1x3 + a14x1x4
+ a23x2x3 + a24x2x4 + a34x3x4
{6.1}
Il y a donc 11 coefficients. Le logiciel calculera le coefficient constant, les effets principaux et trois groupes dinteractions. Si les groupes dinteractions calcules sont
faibles, on pourra les liminer. Si les groupes dinteractions calcules sont forts, on
ne pourra pas les liminer et linterprtation deviendra plus dlicate et il faudra
faire appel la thorie des aliases et de nouvelles hypothses dinterprtation.
Cette modlisation est un simple outil permettant de connatre rapidement les
facteurs qui risquent davoir le plus dinfluence sur le phnomne tudi. Il ne
sagit pas dune modlisation permettant de faire des prvisions.
96
Effet
Valeur
Constante
109
Na (1)
13
K (2)
10
Ca (3)
19,75
Mg (4)
0,75
Na K (12) + Ca Mg (34)
Na Ca (13) + K Mg (24)
0,25
K Ca (23) + Na Mg (14)
1,75
6 Plans factoriels
fractionnaires
6.2 Thorie des aliases
On constate (Tableau 6.3) quun facteur a un effet particulirement faible : le facteur 4

(magnsium). La teneur en tellure est fausse par les trois autres mtaux : le sodium
(Na), le potassium (K) et le calcium (Ca). Les sommes dinteractions sont moins leves
que les effets des facteurs principaux et peuvent tre considres comme faibles.

La thorie des aliases est trs utile pour comprendre et interprter les rsultats dun
plan fractionnaire. Nous avons divis ltude de cette thorie en cinq parties :
1. Dfinition des contrastes.
2. Hypothses dinterprtation.
3. Calcul de Box.
4. Relation dquivalence.
5. Gnrateurs daliases.
la suite de la thorie des aliases nous verrons deux aspects importants des plans
fractionnaires :
la construction des plans fractionnaires,
le nombre maximal de facteurs tudis sur un plan de base donn.
6.2.1 Dfinition des contrastes
Lors de linterprtation des rsultats dun plan fractionnaire, on applique les

mmes rgles de calcul que celles des plans complets. Le modle postul pour
analyser les rsultats de lexemple sur le tellure est alors :
y = a0 + a1x1 + a2x2 + a3x3 + a4x4
+ a12x1x2 + a13x1x3 + a14x1x4 + a23x2x3 + a24x2x4 + a34x3x4
{6.2}
+a123x1x2x3 + a124x1x2x4 + a134x1x3x4 + a234x2x3x4
+a1234x1x2x3x4
Ce modle comporte 16 coefficients inconnus. Pour les calculer, il faut possder
16 quations. Cest bien le cas avec les plans complets. Mais, avec le plan fractionnaire employ, il ny a que 8 quations. La matrice du modle comporte donc 8 lignes
et 16 colonnes. On sarrange pour que les colonnes possdent, deux deux, des
colonnes ayant des niveaux identiques. Les inconnues sont ainsi regroupes deux
par deux. On obtient un systme de 8 groupes dinconnues pour 8 quations.
Dans lexemple du tellure, les niveaux du facteur 4 sont les mmes que les niveaux
de linteraction 123, on a donc la colonne du facteur 4 identique la colonne de
linteraction 123. Pour ce plan, on peut crire x4 = x1x2x3. On verra dans les paragraphes suivants comment sassocient les colonnes et par consquent les coefficients en fonction des points dexpriences retenus pour un plan fractionnaire
donn. On possde de cette manire 8 groupes de 2 inconnues et on peut rsoudre
le systme. Ces regroupements de coefficients sappellent des aliases ou des
contrastes. On les note par la lettre i. Dans lexemple du tellure, le contraste 1
regroupe le coefficient a1 du facteur 1 et le coefficient a234 de linteraction 234.
On dit que le coefficient a1 est alias avec linteraction a234.
De mme :
Le coefficient a2 est alias avec linteraction a134.
97
6 Plans factoriels
fractionnaires

La relation {6.2} scrit alors :
y = (a0 + a1234) + (a1 + a234)x1+ (a2 + a134)x2+ (a3 + a124)x3+ (a4 + a123)x4
+ (a12 + a34)(x1x2 ou x3x4)+ (a13 + a24)(x1x3 ou x2x4)+ (a14 + a23)(x1x4 ou x2x3)
La valeur numrique de ces regroupements est la somme des valeurs des coefficients. Par exemple, le contraste 1 est gal leffet du facteur 1 augment de la valeur
de linteraction 234 :
1 = a1 + a234
Si linteraction 234 est faible, le contraste 1 est gal leffet du facteur 1. Comme
nous avons admis lhypothse 1 qui suppose les interactions dordre 3 ngligeables,
on peut dire que le contraste 1 est gal leffet du facteur 1.
Considrons maintenant linteraction 12 qui est aliase avec linteraction 34 :
12 = 34 = a12 + a34
La valeur numrique du contraste 12 (ou 34) est due la fois linteraction 12 et
linteraction 34. Il ny a aucun moyen de savoir limportance individuelle des
interactions. Elles sont regroupes dans un mme contraste et lon ne connat que
la valeur de ce regroupement.
Mais force de faire des plans dexpriences, les exprimentateurs ont constat
que, dans la plupart des cas, si un contraste avait une valeur numrique faible, cest
que les interactions aliases dans ce contraste taient, elles-mmes, faibles. Ils ont
constat galement que lorsque deux facteurs taient forts, il pouvait trs bien y
avoir une interaction entre eux. En revanche, si deux facteurs taient faibles, il y avait
peu de chance quil y ait une interaction entre eux. On en a dduit de nouvelles
hypothses dinterprtation des plans fractionnaires.
6.2.2 Nouvelles hypothses dinterprtation
Pour analyser les rsultats dun plan fractionnaire, lhypothse 1 doit tre complte
par de nouvelles hypothses :
Hypothse 1 Les interactions dordre trois et toutes celles dordre plus lev
peuvent tre ngliges.
Hypothse 2 Tous les coefficients aliass dans un contraste faible (ngligeable) sont eux-mmes faibles (ngligeables).
Hypothse 3 Si deux contrastes sont forts, on se mfiera de leur interaction
qui peut tre forte.
Hypothse 4 Si deux contrastes sont faibles, on suppose que leur interaction
lest aussi.
Hypothse 5 Un facteur principal faible et un facteur principal fort engendrent, le plus souvent mais pas toujours, une interaction faible.
98
6 Plans factoriels
fractionnaires
6.3 Calcul de Box
Les cinq hypothses prsentes ici sont trs souvent vrifies mais il arrive parfois
quelles soient mises en dfaut. On estime que ces hypothses sont valides 95 %
et quil y a environ 5 % de cas o elles ne sont pas vrifies. Par exemple lhypothse 4 est parfois mise en dfaut sil faut que deux facteurs soient prsents simultanment pour dclencher une variation de la rponse : la prise dune rsine
thermodurcissable est dclenche par la prsence simultane dun catalyseur
(premier facteur) et dun acclrateur (deuxime facteur) ; le catalyseur seul ou
lacclrateur seul ne modifie pas la rsine. Il est toujours possible dadopter dautres
hypothses en fonction du problme trait et des risques encourus. Pour une bonne
analyse des rsultats, il est prudent de toujours bien prciser les hypothses dinterprtation que lon a retenues. Ces hypothses sont dexcellents guides pour analyser
les rsultats dun plan fractionnaire. Elles permettent de trouver les insuffisances
de lexprimentation et de prciser les essais complmentaires entreprendre pour
obtenir une interprtation complte.
Nous venons de constater quun contraste est la somme de deux coefficients. Mais
il peut aussi tre une suite de sommes ou de diffrences car les associations entre
coefficients dpendent de la position des points dexpriences qui ont t choisis
lors de la construction du plan fractionnaire. Savoir retrouver les lments qui
composent les contrastes est primordial pour faire une bonne interprtation dun
plan fractionnaire. La thorie mathmatique gnrale des aliases fait appel des
notions qui dpassent le cadre de cet ouvrage. Il existe aussi une thorie beaucoup
plus simple base sur le calcul de Box. Elle convient uniquement aux plans factoriels fractionnaires deux niveaux parfaitement fixs 1 et +1 en valeurs codes.
On peut aussi utiliser un logiciel de plan dexpriences qui donnent directement la
composition des aliases.
Les lecteurs intresss par la thorie mathmatique gnrale des aliases se reporteront aux ouvrages signals dans la bibliographie. Nous donnerons un aperu du
calcul de Box car, associ la relation dquivalence, il sert comprendre linterprtation et la construction des plans fractionnaires.
6.3 Calcul de Box

Le calcul de Box permet de retrouver rapidement comment les effets et les interactions
sont aliass dans les contrastes. Comme nous lavons dj signal, il sapplique aux
plans fractionnaires deux niveaux fixs 1 et +1.
6.3.1 Notation de Box
Dans la notation de Box, on dsigne par le chiffre 1 (en gras) la colonne des signes
du facteur 1, signes ordonns selon la prsentation de Yates. Pour un plan 22, on a :
1
1 = +1
1
+1
99
6 Plans factoriels
fractionnaires
6.3 Calcul de Box
La colonne du facteur 2 sera dsigne par :

1
2 = 1
+1
+1
On introduit galement des colonnes de signes moins et de signes plus :
+1
I = +1
+1
+1
1
I = 1
1
1
6.3.2 Oprations sur les colonnes de signes
Le calcul de Box consiste faire des oprations sur les colonnes de signes que nous
venons de dfinir. On multiplie les signes terme terme en appliquant la rgle des
signes. Par exemple, la multiplication de 1 par 2 est :
+1
1
1
1 2 = +1 1 = 1
1
+1
1
+1
+1
+1
Le signe +1 du premier terme de la colonne-produit est le rsultat de la multiplication de 1 (premier terme de 1) par 1 (premier terme de 2). Les autres signes de
la colonne-produit sont obtenus de la mme manire.
Voyons dans les paragraphes suivants les oprations les plus utilises sur les colonnes
de signes.
m Multiplication dune colonne par elle-mme
Par exemple, multiplions la colonne 1 par elle-mme :

+1
1
1
1 1 = +1 +1 = +1 = I
+1
1
1
+1
+1
+1
On obtient une colonne de signes plus. La multiplication de la colonne 2 par ellemme donne le mme rsultat. Dune manire gnrale, la multiplication dune
colonne par elle-mme donne une colonne de signes plus.
100
6 Plans factoriels
fractionnaires
6.3 Calcul de Box
m Multiplication dune colonne par une colonne de signes plus
Multiplions la colonne 2 par I :

1
+1
1
2 I = 1 +1 = 1 = 2
+1
+1
+1
+1
+1
+1
La multiplication dune colonne par une colonne de signes plus donne la colonne
initiale. On peut dire aussi que la multiplication par une colonne de signes plus ne
change pas la colonne multiplie.
m Multiplication dune colonne par une colonne de signes moins
Multiplions la colonne 2 par I :

+1
1
1
2 ( I ) = 1 1 = +1 = 2
1
1
+1
1
1
+1
La multiplication dune colonne par une colonne de signes moins donne une colonne
oppose la colonne initiale.
m Multiplication dune colonne de signes plus par elle-mme
On a :
+1
+1
+1
I I = +1 +1 = +1 = I
+1
+1
+1
+1
+1
+1
La multiplication dune colonne de signes plus par elle-mme donne une colonne
de signes plus.
m Commutativit de la multiplication
1
1
+1
1
1
1 2 = +1 1 = 1 = 1 +1 = 2 1
1
+1
1
+1
1
+1
+1
+1
+1
+1
Le rsultat de la multiplication de 1 par 2 est le mme que celui de la multiplication
de 2 par 1. Cette proprit sappelle la commutativit.
101
6 Plans factoriels
fractionnaires
6.4 Relation dquivalence
6.3.3 Rgles retenir
Il faut simplement retenir les rgles suivantes du calcul de Box. Pour simplifier, les
signes multiplis ont t limins des formules :
Rgle 1 Commutativit :
12=21
Rgle 2 Multiplication dune colonne par elle-mme :
11=I
22=I
Rgle 3 Multiplication dune colonne par I ou I :
1I=1
2I=2
1 (I) = 1
2 (I) = 2
II=I

6.4.1 Plan de base
Considrons un plan 23 et son modle postul :

y = a0 + a1x1 + a2x2 + a3x3 + a12x1x2 + a13x1x3 + a23x2x3 + a123x1x2x3
Le terme x1x2 est le produit des niveaux des facteurs 1 et 2. Ce terme est celui de
linteraction 12. On peut donc construire une colonne de signes correspondant
linteraction 12 en multipliant, selon le calcul de Box, les colonnes du facteur 1 et
du facteur 2. On peut faire de mme pour les interactions 13, 23 et 123. On peut
aussi ajouter une colonne de signes plus pour introduire la constante dans les
calculs. On obtient ainsi un tableau, appel matrice de base ou plan de base, qui
comporte 8 lignes et 8 colonnes (Tableau 6.4).
Tableau 6.4 Matrice de base dun plan 23.
102
Essai n
12
13
23
123
6 Plans factoriels
fractionnaires
Cette matrice de base correspond la matrice qui est utilise pour calculer les
effets et les interactions dun plan complet. Mais pour un plan fractionnaire, on
nutilise que la moiti des essais de cette matrice. Divisons cette matrice de base en
deux fractions : un demi-plan constitu des essais n 5, 2, 3 et 8 (lignes plus
fonces du tableau 6.5) et un demi-plan constitu des essais n 1, 6, 7 et 4.
Tableau 6.5 Matrice de base coupe en deux plans fractionnaires.
Essai n
12
13
23
123
Dans un premier temps, intressons-nous au demi-plan suprieur, le plan plus

fonc. Il contient huit colonnes de quatre signes qui sont gales deux deux. En
notation de Box, on peut crire, par exemple, que la colonne des quatre signes du
facteur 1 est gale celle de linteraction 23, soit :
1 = 23
Nous avons vu que, dans ce demi-plan, le facteur 1 tait confondu avec linteraction 23 et que le contraste 1 calcul avec la colonne 1 (ou avec la colonne 23)
tait la somme des coefficients a1 et a23 :
1 = 23 = a1 + a23
6.4.2 Relation dquivalence
On remarque que les coefficients aliass dans un contraste sont ceux qui ont les
mmes colonnes de signes dans le demi-plan considr. Cest une rgle gnrale :
un contraste est la somme algbrique des coefficients qui ont les mmes colonnes
de signes. Cest--dire que si lon a 1 = 23 en calcul de Box, le contraste calcul
avec la colonne 1 sera la somme 1 = a1 + a23 et le contraste calcul avec la
colonne 23 sera la somme 23 = a1 + a23. On a donc :
1 = 23 est quivalent 1 = 23 = a1 + a23
Cest la relation dquivalence. Elle est valable dans les deux sens et elle constitue
la base de la thorie des aliases.
103
6 Plans factoriels
fractionnaires
6.5 Gnrateurs daliases
Lexamen du tableau 6.5 montre que lon a aussi :

2 = 13 est quivalent 2 = 13 = a2 + a13
3 = 12 est quivalent 3 = 12 = a3 + a12
I = 123 est quivalent 0 = 123 = a0 + a123
Limportance de ces relations rside dans le fait que lon peut retrouver comment
les effets et les interactions sont aliass dans chaque contraste. Pour connatre la
structure des aliases, on pourrait oprer comme nous venons de le faire : crire un
plan de base, le dcouper en fractions, rechercher les colonnes de signes qui sont
gales. Mais ce processus utile pour comprendre la relation dquivalence est la
fois trop long et trop laborieux pour retrouver la structure des aliases. Cest avec
lutilisation du calcul de Box et lintroduction des gnrateurs daliases que nous
allons facilement retrouver cette structure.
Remarque
Le terme contraste nest pas universellement utilis. Dans certains ouvrages, on trouvera le terme
confusion. On trouvera galement le terme aliase trs souvent utilis. Enfin, le terme concomitance
est parfois employ pour montrer quon estime simultanment des coefficients dans la mme structure. Tous ces termes sont synonymes et traduisent les deux aspects de la relation dquivalence en
soulignant que des effets et des interactions sont fusionns dans une seule inconnue et que des
colonnes de signes se correspondent dans les demi-plans. La notion de contrastes, elle-mme, est
dlicate et les diffrents termes utiliss expriment la difficult trouver le bon terme. Ces diffrentes appellations sont utilises et considres comme des synonymes dans le prsent ouvrage.
6.5 Gnrateurs daliases

6.5.1 Gnrateur daliases du demi-plan suprieur
Considrons le demi-plan suprieur du tableau 6.5. Les deux colonnes de signes

plus permettent dcrire en notation de Box :
{6.3}
I = 123
En multipliant par 1 les deux membres de cette relation et en tenant compte des
rgles de multiplication de Box, on retrouve les colonnes identiques du demi-plan
suprieur :
1. Multiplication par 1 des deux membres de la relation {6.3} :
1.I = 1.123
2. Application de la rgle 2 :
1.I = I.23
3. Application de la rgle 3 :
1 = 23
En multipliant les deux membres de la relation {6.3} successivement par 2 et par
3, on obtient les deux relations :
2 = 13
3 = 12
104
6 Plans factoriels
fractionnaires
6.6 Construction pratique dun plan fractionnaire
La relation I = 123 permet donc de retrouver toutes les colonnes qui sont gales
dans le demi-plan suprieur. Connaissant ces galits et en appliquant la relation
dquivalence, on retrouve comment les coefficients sont aliass dans les contrastes.
La relation I = 123 sappelle le gnrateur daliases.
6.5.2 Gnrateur daliases du demi-plan infrieur
En considrant le demi-plan infrieur (Tableau 6.5), on vrifie que les colonnes se

correspondent deux deux, mais avec des signes opposs. la colonne de signes
plus correspond la colonne de signes moins de linteraction 123. On peut crire,
en notation de Box :
{6.4}
I = 123
Cest le gnrateur daliases du demi-plan infrieur.
En multipliant par 1 les deux membres de la relation {6.4} et en tenant compte
des rgles de multiplication de Box, on a :
1.I = 1.123
1 = I 23
1 = 23
La colonne de linteraction 23 a bien des signes opposs ceux de la colonne 1.
On trouve la structure du contraste de la colonne 1 en appliquant la relation
dquivalence :
1 = 23 = a1 a23
Les contrastes calculs avec le demi-plan infrieur sont des diffrences de coefficients.
On calcule que lon a de mme :
2 = 13 soit 2 = 13 = a2 a13
3 = 12 soit 3 = 12 = a3 a12
I = 123 soit 0 = 123 = a0 a123
6.5.3 Lecture des aliases dans les logiciels
Les bons logiciels de plans dexpriences indiquent toujours comment les coefficients sont aliass dans les contrastes. Par exemple, le logiciel joint ce livre donne
les aliases, en mme temps que les rsultats du plan, dans une rubrique intitule
Singularity Details. Les colonnes qui sont gales sont indiques comme dans le
calcul de Box. Dautres logiciels fournissent les coefficients aliass dans chaque
contraste.

Lorsquon examine les quatre premires colonnes du demi-plan suprieur
(Tableau 6.5), on constate que lon retrouve les colonnes de signes dun plan de
base 22. Ce plan comporte la colonne des facteurs 1 et 2, la colonne 12 construite
par la rgle des signes et une colonne de signes plus (Tableau 6.6).
105
6 Plans factoriels
fractionnaires
Tableau 6.6 Plan de base 22.

Essai n
12
Linteraction 12 peut servir tudier un facteur supplmentaire, le facteur 3. En

effet, les niveaux dtude du facteur supplmentaire sont semblables aux signes de
la colonne de signes de linteraction 12 (Tableau 6.7). On profite de cette similitude pour construire facilement les plans fractionnaires. En notation de Box, on
crit que le facteur 3 est tudi sur les signes de linteraction 12 :
3 = 12
Multiplions chaque membre de cette relation par 3, on retrouve le gnrateur du
plan fractionnaire :
I = 123
Ce gnrateur permet, grce au calcul de Box et la relation dquivalence, de
retrouver comment les coefficients sont aliass dans les contrastes.
Tableau 6.7 Plan dexpriences 23-1 bti avec le gnrateur I = 123.
Essai n
Au lieu de prendre le gnrateur I = 123, on peut prendre le gnrateur :

I = 123
Dans ce cas, le troisime facteur est tudi sur les signes de linteraction 12
(Tableau 6.8).
Tableau 6.8 Plan dexpriences 231 bti avec le gnrateur I = 123.
106
Essai n
6 Plans factoriels
fractionnaires
La construction pratique des plans fractionnaires que nous venons de voir sur un
plan de base 22, se gnralise tous les plans de base 2k :
On choisit un plan complet et lon crit le plan de base correspondant en appliquant la rgle des signes.
Dans ce plan de base, on choisit une colonne de signes correspondant une
interaction et on lui attribue un facteur supplmentaire. On peut prendre, soit
la colonne elle-mme avec ses signes, soit la colonne avec les signes opposs.
On en dduit le gnrateur daliases grce au calcul de Box.
En multipliant le gnrateur daliases et en appliquant la relation dquivalence,
on retrouve la structure de tous les contrastes.
Voyons comment cela fonctionne sur un plan de base 23.
Reprenons le plan de base 23 (Tableau 6.9). Il y a quatre colonnes disponibles
pour tudier des facteurs supplmentaires : les interactions 12, 13, 23 et 123. On
peut donc construire plusieurs plans fractionnaires qui auront tous 8 essais mais
qui permettront dtudier plus ou moins de facteurs.
Tableau 6.9 Plan de base dun plan 23.

Essai n
12
13
23
123
De ce plan de base, nous allons successivement extraire le plan complet et les plans
fractionnaires que lon peut construire.
6.6.1 Plan complet 23
Les colonnes 1, 2 et 3 sont celles dun plan complet pour tudier trois facteurs
(Tableau 6.10).
107
6 Plans factoriels
fractionnaires
Tableau 6.10 Plan complet 23.

Essai n
6.6.2 Plan fractionnaire 241
Cest le plan qui a t utilis pour le tellure. On dsire tudier quatre facteurs
en ne faisant que 8 essais. On donne le nom de 4 au facteur supplmentaire.
On choisit lune des quatre colonnes dinteraction, par exemple la colonne 123
(Tableau 6.11). Les niveaux dtude du facteur 4 sont ceux de la colonne 123. On
construit le plan fractionnaire en extrayant les quatre colonnes 1, 2, 3 et 123 du
plan de base.
Tableau 6.11 Plan dexpriences 24-1.
108
Essai n
4 = 123
6 Plans factoriels
fractionnaires
Le quatrime facteur tant tudi sur la colonne de signes de linteraction 123, on

peut crire en notation de Box :
I = 1234
Cest le gnrateur daliases qui permet de calculer la structure des contrastes. En
multipliant ce gnrateur successivement par 1, 2, 3 et 4, on obtient les galits de
colonnes, puis en utilisant la relation dquivalence, les contrastes :
est quivalent
1 = a1 + a234
1 = 234
2 = 134
est quivalent
2 = a2 + a134
3 = 124
est quivalent
3 = a3 + a124
4 = 123
est quivalent
4 = a4 + a123
I = 1234
est quivalent
0 = a0 + a1234
On aurait pu aliaser le facteur 4 sur une autre interaction, on aurait eu dautres

structures de contrastes. Par exemple, si on choisit dtudier le facteur 4 sur linteraction 12, on a :
4 = 12
do le gnrateur daliases :
I = 124
En multipliant ce gnrateur successivement par 1, 2, 3 et 4, on obtient les relations dquivalence et la structure des contrastes correspondants :
est quivalent
1 = a1 + a24
1 = 24
2 = 14
est quivalent
2 = a2 + a14
3 = 1234
est quivalent
3 = a3 + a1234
4 = 12
est quivalent
4 = a4 + a12
I = 124
est quivalent
0 = a0 + a124
On pourrait galement choisir soit linteraction 13 soit linteraction 23 pour tudier

le facteur 4. Mais ces choix ne sont pas quivalents. Le premier choix, 4 = 123, est
bien meilleur que les trois autres car les effets principaux des facteurs sont tous
aliass avec des interactions dordre 3, cest--dire avec des interactions qui ont de
grandes chances dtre faibles. Ce nest pas le cas des trois autres plans 24-1 pour
lesquels certains effets principaux sont aliass avec des interactions dordre 2.
6.6.3 Plan fractionnaire 25-2
Il est tout fait possible dtudier deux facteurs supplmentaires. On choisit deux
colonnes qui ne sont pas dj occupes par des facteurs (ici colonnes 1, 2 et 3), par
exemple, on peut choisir la colonne 12 pour le quatrime facteur et la colonne 13
pour le cinquime facteur (Tableau 6.12). Le plan fractionnaire correspondant est
un plan 25-2 car il sagit dun plan complet 32 essais coup en quatre. Le plan 25
a t divis par 22 soit 25/22, ce qui peut galement scrire 25-2. Le tableau 6.12
reprsente ce plan fractionnaire 25-2.
109
6 Plans factoriels
fractionnaires

Essai n
4 = 12
5 = 13
tablissons, grce la notation de Box, la structure des aliases de ce plan fractionnaire. On a deux relations :
5 = 13
4 = 12
et, bien sr, deux gnrateurs daliases :
I = 124
I = 135
Ces deux gnrateurs daliases proviennent du choix de deux interactions indpendantes du plan de base. On les appelle des gnrateurs daliases indpendants.
Si lon multiplie ces deux gnrateurs daliases indpendants membre membre,
on obtient un troisime gnrateur :
I.I = 124.135
I = 2345
Ce nouveau gnrateur daliases est un gnrateur dpendant. On remarque que
deux facteurs supplmentaires introduisent non pas un gnrateur mais un groupe
de gnrateurs daliases (GGA) comportant quatre termes :
I = 124 = 135 = 2345
Ce GGA est utilis pour tablir la structure des aliases de ce plan fractionnaire. Par
exemple, le contraste 1 sera dtermin en multipliant tous les termes du GGA par
la colonne 1 :
1.I = 1.124 = 1.135 = 1.2345
En simplifiant :
1 = 24 = 35 = 12345
Les quatre colonnes 1, 24, 35 et 12345 sont identiques dans le quart de plan de base.
La relation dquivalence donne les quatre coefficients aliass dans les contrastes 1,
24, 35 et 12345 :
1 = 24 = 35 = 12345 = a1 + a24 + a35 + a12345
110
6 Plans factoriels
fractionnaires
On simplifie lcriture en nindiquant que lun des contrastes :

1 = a1 + a24 + a35 + a12345
Les autres contrastes sont calculs de la mme manire et comportent tous 4 coefficients.
Remarque
Le groupe de gnrateurs daliases (GGA) est galement appel relation de dfinition. En effet, cest
cette relation qui permet de dfinir le plan fractionnaire avec prcision et qui donne la structure
des aliases.
6.6.4 Plan fractionnaire 27-4
On peut gnraliser cette mthode et utiliser toutes les colonnes du plan de base
(Tableau 6.13). Sur le plan de base 23, on peut tudier jusqu 7 facteurs puisquil
y a 4 colonnes dinteraction. Dans ce cas, il sagit de diviser en 16 un plan complet
de 128 essais.

Essai n
4 = 123
5 = 12
6 = 13
7 = 23
Le gnrateur daliases sobtient en prenant dabord les 4 gnrateurs indpendants :

5 = 12
4 = 123
7 = 23
6 = 13
Les gnrateurs dpendants sobtiennent en multipliant deux deux, puis trois trois
et enfin quatre quatre les gnrateurs indpendants. Le GGA contient 16 termes.
Ce GGA est multipli successivement par 1, 2, 3, 4, 5, 6 et 7. Les relations obtenues
permettent dtablir la structure des contrastes qui comportent chacun 16 termes
dans le cas du plan 27-4. Dans le cas gnral, les contrastes dun plan fractionnaire
2k-p contiennent 2p termes. Le calcul de tels contrastes est ennuyeux, fatigant et
fastidieux et nous verrons comment on les obtient facilement avec le logiciel.
111
6 Plans factoriels
fractionnaires
6.8 Application de la thorie des aliases lexemple 05
6.7 Nombre maximal de facteurs tudis

sur un plan de base
On peut tudier autant de facteurs supplmentaires quil y a dinteractions dans le
plan de base (Tableau 6.14).
Sur un plan de base 22 il y a une interaction. On pourra donc tudier trois facteurs,
deux sur les colonnes 1 et 2, le troisime sur la colonne de linteraction.
Sur un plan de base 23, il y a quatre interactions. On pourra donc tudier sept
facteurs, trois sur les colonnes 1, 2 et 3, les quatre autres sur les colonnes dinteraction 12, 13, 23 et 123.
Le tableau 6.14 indique le nombre maximal de facteurs que lon peut tudier sur
diffrents plans de base.
Tableau 6.14 Nombre maximal de facteurs tudis sur un plan de base donn.
Plan
de base
Nombre de facteurs
du plan complet
Nombre
dinteractions
Nombre maximal
de facteurs tudis
22
23
24
11
15
25
26
31
26
57
63
27
120
127
6.8 Application de la thorie des aliases lexemple 05

Voyons comment toutes les notions acquises sont mises en uvre sur lexemple de
ce chapitre.
6.8.1 Confusions du plan Tellure
Le plan Tellure est un plan 241 dont le gnrateur daliases est :

I = 1234
En appliquant le calcul de Box, on obtient pour les facteurs principaux :
2 = 134
3 = 124
1 = 234
Si lon a choisi un modle mathmatique sans les interactions dordre 3, on a
immdiatement (relation dquivalence) :
2 = a2
et 3 = a3
1 = a1
Pour les interactions, on obtient :
13 = 24
12 = 34
do :
13 = 24 = a13 + a24
12 = 34 = a12 + a34
112
23 = 14
et 23 = 14 = a23 + a14
6 Plans factoriels
fractionnaires
6.8.2 Application des hypothses dinterprtation au plan Tellure
Lhypothse 1 a t applique dans le choix du modle. On obtient directement les

effets des facteurs principaux. Ils ne sont pas confondus avec des interactions. Pour
faire lanalyse des rsultats reprenons le tableau 6.3 des contrastes sous forme dun
diagramme barres (Figure 6.1) et faisons en lanalyse.
Effet des mtaux sur la teneur en Tellure
20
15
10
5
0
5
10
15
20
Na (1)
K (2)
Ca (3)
Mg (4)
12 + 34
13 + 24
23 + 14
Figure 6.1 Diagramme barres des coefficients.
Appliquons lhypothse 2 (Tous les coefficients aliass dans un contraste faible

sont eux-mmes faibles) en admettant quun contraste infrieur 2 est ngligeable.
Le contraste 13 tant gal 0,25, on le considre comme ngligeable. Par consquent, les coefficients a13 et a24 sont galement ngligeables. On tient le mme
raisonnement pour le contraste 14 et on en dduit que les coefficients a14 et a23
sont proches de zro et donc ngligeables. De la mme faon, les coefficients a12 et
a34 sont ngligeables.

Seuls les sels de calcium, de potassium et de sodium faussent les mesures de la
concentration en tellure de leau de mer. Il ny a pas dinteraction entre ces
mtaux. Tout se passe comme si chaque mtal tait seul modifier la mesure du
tellure dans leau de mer :
Le magnsium ne modifie pas les mesures et on obtient des valeurs correctes de
la teneur en tellure.
113
6 Plans factoriels
fractionnaires
Le facteur le plus influent est le calcium. La teneur apparente en tellure est plus
faible que la teneur relle. En prsence de calcium, on obtient des valeurs par
dfaut.
Le potassium a la mme influence que le calcium. En prsence de potassium, on
obtient des valeurs par dfaut.
Quant au sodium il conduit une teneur apparente en tellure suprieure la
valeur relle. Il induit des valeurs trop fortes. En prsence de sodium, on obtient
des valeurs par excs.
Pour faire des mesures prcises on ne peut pas ngliger ces interfrences. Les sels
de calcium et de potassium diminuent les valeurs relles. Au contraire, les sels de
sodium augmentent les valeurs relles.
Ltude dorientation qui vient dtre faite montre quil faut envisager des corrections aux rsultats de mesure. Il faut entreprendre une tude plus complte pour
pouvoir donner des directives prcises de corrections. Il faut alors envisager un ou
plusieurs plans permettant de modliser le phnomne. Nous verrons que les plans
composites sont alors prcieux pour tablir un modle du second degr (chapitre 9).
114
7 EXEMPLES DE
PLANS FACTORIELS FRACTIONNAIRES
Dans le chapitre prcdent, nous avons vu un exemple de plan fractionnaire (le

plan Tellure). Nous avons galement vu plusieurs aspects de la thorie concernant
ces plans : la thorie des aliases, le calcul de Box, la relation dquivalence, les
hypothses dinterprtation et la construction des plans fractionnaires. Lassimilation
de toutes ces notions ne peut pas se faire avec un seul exemple. Cest pourquoi le
prsent chapitre traite plusieurs exemples de plans fractionnaires. Le nombre de
facteurs de ces plans ira croissant sans que pour autant le nombre dessais soit trop
lev. Linterprtation de ces plans sera conduite en tenant compte dun modle
postul, de la thorie des aliases et des hypothses dinterprtation. Mais nous
verrons quavec trs peu dessais on peut obtenir linformation cherche.
Nous avons vu que sur un plan de base 2k-p on pouvait thoriquement tudier
k facteurs dont p avaient pour niveaux dtude les signes des colonnes de certaines
interactions. Les signes moins sont utiliss comme niveaux bas et les signes plus
comme niveaux hauts. Jusqu maintenant nous navons utilis quune seule interaction du plan de base. Sur un plan de base 23 il y a 4 interactions, on peut donc
tudier 4 facteurs supplmentaires, soit 7 facteurs en 8 essais. Le plan fractionnaire correspondant est un plan 27-4. Comme toutes les interactions sont utilises
pour tudier des facteurs, on dit que le plan est satur. Est-il vraiment possible
dtudier 7 facteurs en seulement 8 essais ? Nous allons voir que cela est possible et
ajoutons que, dans la pratique, les exprimentateurs ralisent souvent de tels plans.
La seule condition pour russir tous les coups, est de bien utiliser la thorie des
aliases et de bien manier les hypothses dinterprtation. Il arrive en effet souvent
que lon soit oblig de poursuivre la premire exprimentation par un plan
complmentaire bien choisi pour lever les ambiguts qui apparaissent lors de
linterprtation du plan initial. Mais, mme si lon ralise un premier plan de 8
essais suivi dun plan complmentaire galement de 8 essais, on est toujours
gagnant car, en dfinitive, on excute 16 essais au lieu des 128 dun plan complet 27.
On retrouve le pari toujours gagnant des plans fractionnaires.
115
7 Exemples de plans
factoriels fractionnaires
7.1 Exemple 06 : la sulfonation

m Prsentation de ltude : sulfonation dun mlange BTX
La sulfonation des composs aromatiques permet dobtenir des composs tensioactifs qui sont les produits de base des lessives du commerce. Les composs aromatiques tudis sont le benzne, le tolune et les xylnes (mlange BTX) sous-produits
dune exploitation de ptrole brut. Seuls le tolune et les xylnes fournissent des
tensioactifs intressants. Pour obtenir les produits tensioactifs, on ajoute de lacide
sulfurique (SO4H2) au mlange BTX, puis on laisse ces produits en contact
pendant un certain temps pour quils ragissent. En prsence dacide sulfurique,
les trois produits benzne, tolune et xylnes se transforment progressivement en
acides sulfoniques qui serviront prparer les sulfonates. La raction de sulfonation
peut tre acclre soit par ajout danhydride sulfurique (SO3), soit par limination
de leau forme, soit simultanment par ces deux traitements. La raction chimique
des BTX avec lacide sulfurique sappelle la sulfonation et on dit que le mlange BTX
a t sulfon. Les sulfonates forms contiennent les tensioactifs.
On cherche obtenir les sulfonates de tolune et de xylnes qui permettent de

prparer des lessives de bonne qualit. En revanche, on cherche viter les sulfonates
de benzne qui ne prsentent aucun intrt. On recherche donc les conditions
opratoires qui permettent de sulfoner le tolune et les xylnes tout en vitant la
sulfonation du benzne.
Ltude sera russie si on peut donner des consignes de rglage des facteurs pour
atteindre les deux objectifs : sulfoner le tolune et les xylnes ; ne pas sulfoner le
benzne.
La rponse choisie est le rapport de sulfonation dfini par :

(Tolune + xylnes) sulfons
Benzne sulfon
On a donc tout intrt obtenir une grande valeur de ce rapport.
= -----------------------------------------------------------------
Parmi tous les facteurs pouvant influencer la raction de sulfonation, lexprimentateur en a retenu six :
la dure de la mise en contact de lacide sulfurique avec le mlange BTX,
le pourcentage de SO3 dans lacide sulfurique,
la temprature de la raction,
llimination de leau en cours de raction,
la dure daddition dacide sulfurique,
le rapport (acide)/(tolune + xylnes).
116
7 Exemples de plans
Le domaine dtude des six facteurs tudis au cours du plan dexpriences est
prcis dans le tableau 7.1.
Facteurs
Niveau 1
Niveau +1
Dure de la raction (1)
5h
9h
SO3 dans SO4H2 (2)
0%
10 %
Temprature de la raction (3)
95 C
110 C
limination de leau (4)
sans
avec
Dure de laddition dacide (5)
10 min
30 min
Rapport (acide/tolune +xylnes) (6)
0,8
1,2
Si lexprimentateur avait dcid de faire un plan complet pour des facteurs ne

prenant que deux niveaux, il aurait d raliser 64 essais. Ce qui est considrable. Il
a donc t dcid de rduire le nombre dessais et de faire un plan factoriel fractionnaire. Les facteurs auront toujours deux niveaux dtude. Le budget de lexprimentateur autorise une tude de 16 essais, soit quatre fois moins dessais que le
plan complet. Avec un plan fractionnaire 262 de 16 essais, il est tout fait possible
dtudier 6 facteurs avec leurs interactions dordre 2.
m Construction du plan dexpriences
Le plan de base est un plan 24. Lexprimentateur choisit daliaser le facteur 5 sur
linteraction 124 et le facteur 6 sur linteraction 234. Cest--dire que les niveaux
dtude du facteur 5 seront analogues aux signes de linteraction 124. De mme les
niveaux dtude du facteur 6 seront analogues aux signes de linteraction 234. On
peut crire en notation de Box :
5 = 124
6 = 234
On crit les 4 colonnes dun plan 24 et on calcule les signes des interactions 124 et
234 en utilisant la rgle des signes (Tableau 7.2).
Voir tableau 7.2, page suivante.
117
7 Exemples de plans
Tableau 7.2 Essais et rponses du plan dexpriences sur la sulfonation.
Essai n
Dure
1
SO3
2
Temprature
3
Eau
4
Acide
5 = 124
Rapport
6 = 234
Rponse
11,76
+1
+1
12,55
+1
+1
+1
7,89
+1
+1
+1
8,20
+1
+1
12,35
+1
+1
+1
+1
13,98
+1
+1
+1
7,25
+1
+1
+1
10,10
+1
+1
+1
13,06
10
+1
+1
+1
13,40
11
+1
+1
12,10
12
+1
+1
+1
+1
8,91
13
+1
+1
+1
13,65
14
+1
+1
+1
16,10
15
+1
+1
+1
+1
11,09
16
+1
+1
+1
+1
+1
+1
9,86
95
Sans lim.
10
0,8
+1
10
110
Avec lim.
30
1,2
118
7 Exemples de plans
Pour interprter les rsultats dun plan fractionnaire il est bon de connatre la manire
dont les coefficients sont aliass dans les contrastes. Le plus souvent, il ne sagit que
des interactions dordre 2 car lhypothse dinterprtation 1 a fait disparatre les interactions dordre 3.
m Modle mathmatique
On adopte un modle comprenant le coefficient constant, les coefficients des facteurs

principaux et les coefficients des interactions dordre 2 :
y = a0 + a1x1 + a2x2 + a3x3 + a4x4 + a5x5 + a6x6 + a12x1x2 + a13x1x3
{7.1}
+ + a56x5x6
On a donc un systme de 16 quations pour trouver 22 inconnues. On sait quil y
a des confusions entre les interactions dordre 2 et le calcul de Box nous a indiqu
comment ces interactions se regroupaient dans les aliases.
m Confusions
Nous avons dj crit :

6 = 234
5 = 124
do :
I = 1245
I = 2346
Si on multiplie 1245 par 2346, on obtient 1356 qui est aussi gal I. On obtient
ainsi le groupe des gnrateurs daliases :
I = 1245 = 2346 = 1356
Ce groupe montre que les effets des facteurs principaux sont aliass avec des interactions dordre 3. Si lhypothse 1 est respecte, on obtiendra directement leffet des
facteurs principaux. Les interactions dordre 2 seront aliases entre elles. On
obtient les contrastes en multipliant le gnrateur daliases par 12, 13 et en
appliquant la relation dquivalence. Les 15 interactions dordre 2 se regroupent
dans les 7 contrastes suivants :
12 = 45 = a12 + a45
13 = 56 = a13 + a56
14 = 25 = a14 + a25
15 = 24 = 36 = a15 + a24 + a36
16 = 35 = a16 + a35
23 = 46 = a23 + a46
26 = 34 = a26 + a34
119
7 Exemples de plans
m Valeur des effets
Le tableau 7.3 indique les rsultats du calcul des effets et des aliases. Le diagramme
barres de la figure 7.1 illustre ce tableau.
Tableau 7.3 Effets et aliases (units codes).
Effet
Valeur
Constante
11,39
Dure de la raction (1)
0,25
SO3 dans SO4H2 (2)
1,96
Temprature de la raction (3)
0,41
limination de leau (4)
0,88
Dure de laddition dacide (5)
0,49
Rapport acide/tolune +xylnes (6)
0,16
12 = a12 + a45
0,40
13 = a13 + a56
0,46
14 = a14 + a25
0,45
15 = a15 + a24 + a36
0,18
16 = a16 + a35
0,11
23 = a23 + a46
0,26
26 = a26 + a34
0,003
Rapport de sulfonation
2,5
1,5
0,5
0,5
1,5
34
46
26
35
+
16
23
36
56
14
24
13
45
6
12
2,5
Figure 7.1 Diagramme barres des coefficients du modle Sulfonation.
120
7 Exemples de plans
m Comment distinguer les facteurs influents
Deux facteurs, lanhydride sulfurique (facteur 2) et llimination de leau (facteur 4),

sont plus levs que les autres. Ce sont donc eux qui vont tre les plus efficaces
pour approcher ou atteindre lobjectif. Mais y a-t-il dautres facteurs influents ?
Savoir o mettre la limite entre les facteurs influents et les non influents est une
question dlicate qui a t traite lorsquon possde une valuation de lerreur
exprimentale (chapitre 5). Comme on limite le nombre dessais lors de lexcution dun plan fractionnaire, on ne possde pas toujours cette valeur. Lanalyse de
la variance apporte un dbut de rponse mais il ne faut pas oublier que les rsidus,
lorsquil y en a, sont constitus des interactions qui nont pas t calcules. En
fonction du modle postul choisi, on peut obtenir une RMSE (racine carre du carr
moyen des rsidus) plus ou moins leve. Lanalyse de la variance est une rponse
partielle au problme pos. Il reste deux outils permettant de se faire une ide de
limportance relative des coefficients. Ce sont le diagramme de Pareto et le
diagramme de Daniel qui vont nous aider prendre une dcision raisonnable. Ces
outils aident lexprimentateur fixer une limite entre les facteurs influents et
peut-tre faiblement influents. Dans cette situation on peut tenir plusieurs types
de raisonnement qui se compltent les uns les autres sans apporter chacun une
rponse dfinitive.
Un premier raisonnement consiste dire que tous les effets infrieurs une
certaine valeur ne sont pas assez levs pour modifier la rponse de manire intressante. Par exemple, le responsable dira quune variation du rapport (acide/
tolune + xylnes) infrieure 0,5 ne lintresse pas. Dans ce cas il ny a que
deux facteurs influents. Si le responsable dcide de mettre la limite 0,25 il y aura
4 facteurs influents.
La seconde mthode consiste utiliser le diagramme de Pareto (Figure 7.2) : on
ordonne les valeurs absolues des coefficients par ordre dcroissant. On a donc une
vue densemble de tous les coefficients. Cela facilite le choix de la limite entre les
deux populations, on conserve les coefficients qui sont au-dessus dune certaine
valeur et on limine ceux qui sont au-dessous. Il ny a pas une grande diffrence de
fond entre ces deux premiers raisonnements part que le second sappuie sur un
diagramme et quil facilite les comparaisons.
Une troisime mthode vient en appui des deux raisonnements prcdents. On
utilise un diagramme de Daniel : les coefficients de faibles valeurs suivent une
distribution normale, ils sont assimils aux erreurs exprimentales, et ils salignent
sur la droite de Henry. Les coefficients de valeur leve ne suivent pas une distribution normale et ils ne salignent pas sur la droite de Henry prcdente. On
distingue donc deux populations, les erreurs exprimentales et les effets prendre
en compte (Figure 7.3). Avec le diagramme de Daniel, larbitraire de la dcision
est considrablement diminu.
Si on en a la possibilit, il faut aussi employer les autres techniques statistiques qui
aident prendre la bonne dcision. Par exemple, si lexprimentateur a fait des
rptitions, il a une estimation de lerreur exprimentale et il peut utiliser cette
donne pour obtenir la limite entre les facteurs significatifs et ceux qui ne le sont pas.
Il peut choisir pour limite, comme il est souvent fait, deux ou trois fois lcart-type.
121
7 Exemples de plans
Diagramme de Pareto
Sulfonation
26+34
16+35
6
15+24+36
1
23+46
12+35
3
14+25
13 +56
5
4
2
0
0,5
1,5
2,5
Figure 7.2 Diagramme de Pareto des effets de lexemple sur la sulfonation.
Diagramme de Daniel - Sulfonation

2
4
1,5
Normit
0,5
0
2,5
1,5
0,5
0,5
1,5
-0,5
-1
Droite de Henry
-1,5
-2
Effet
Figure 7.3 Diagramme de Daniel permettant de distinguer les effets importants.
122
7 Exemples de plans
La dcision est base sur lerreur de mesure et la connaissance des enjeux qui permet
de dfinir le nombre dcarts-types prendre en compte.
Quel que soit le raisonnement que vous utiliserez, il est toujours bon dexaminer
le diagramme de Pareto et le diagramme de Daniel. Ils vous aident prendre vos
dcisions.
Lexamen des diagrammes de Pareto et de Daniel montre quil faut retenir un
facteur influent : la concentration danhydre sulfurique dans lacide sulfurique (2).
Cet examen montre galement que llimination de leau (4) est peu influente. La
dcision de le conserver ou de lliminer ne peut pas tre base sur une statistique.
Ici, cest un raisonnement chimique qui doit guider lexprimentateur. tant donn
que llimination de leau modifie la concentration en acide sulfurique, il est chimiquement normal de considrer le facteur 4 comme lgrement influent et de le conserver.
Les autres facteurs et les autres interactions sont trs faibles et de peu dintrt
pour rsoudre le problme.
Dans un choix il y a toujours une part darbitraire, mais dans le cas des plans
dexpriences, ce choix nest jamais dfinitif et il peut tre modifi pour donner
lieu une nouvelle analyse.
7.1.4 Conclusion de ltude
Rapport de sulfonation
Limportance relative des contrastes est indique par le diagramme barres (Figure 7.1), le diagramme de Pareto (Figure 7.2) et le diagramme de Daniel (Figure 7.3).
Les contrastes 12, 13, 14, 15, 16, 23 et 26 sont faibles. Daprs lhypothse 2,
tous les coefficients aliass dans ces contrastes sont nuls. Il ny a donc pas dinteraction dordre 2 entre les facteurs.
Il ne reste que deux facteurs influents (Figure 7.4), la quantit danhydride sulfurique prsente dans lacide sulfurique (facteur 2) et llimination de leau en cours
de raction (facteur 4).
16,1
11,39
7,25
1
+1
Anhydride sulfurique
(2)
+1
limination de leau
(4)
Figure 7.4 Effets des deux facteurs influents.
La quantit danhydride sulfurique (SO3) prsente dans lacide sulfurique ayant

un effet ngatif, la rponse sera leve si lon choisit le niveau bas, cest--dire de
ne pas mettre de SO3 dans lacide sulfurique.
123
7 Exemples de plans
7.2 Exemple 07 : le spectrofluorimtre
Llimination de leau en cours de raction ayant un effet positif, la rponse sera

leve si lon choisit le niveau haut, cest--dire si on limine leau en cours de raction.
Cet effet est peu lev et pourrait tre ignor si lon se rfrait simplement aux
statistiques. Mais dun point de vue chimique, llimination de leau augmente la
concentration en acide sulfurique et dplace ainsi la raction vers la formation
dacides sulfoniques. On ne peut pas ngliger linfluence de ce facteur.
La sulfonation du benzne, en prsence de tolune et de xylnes, est donc minimise
si lon opre en milieu acide sulfurique concentr (mais sans anhydride sulfurique)
en liminant leau en cours de raction.

Le benzopyrne est un produit catalogu comme cancrigne. Sa teneur dans les

huiles lubrifiantes doit tre infrieure des quantits infinitsimales. Son analyse
est donc dlicate et ncessite des moyens importants. Les spcialistes chargs de
mettre au point la mthode de dosage ont choisi la spectrofluorimtrie. La figure 7.5
prsente le schma de lappareil : un faisceau lumineux issu dune lampe xnon
tombe sur un premier monochromateur. La lumire est diffracte. Une lumire de
longueur donde bien dfinie ressort du monochromateur en passant par une
fente, la fente dexcitation. Ce rayon tombe sur lchantillon qui en absorbe une
partie et rmet dans toutes les directions une lumire de fluorescence. Cette
lumire doit tre analyse. Elle passe donc dans un deuxime monochromateur
qui la rsout en diffrentes longueurs donde. Puis elle ressort en passant travers
une fente, la fente dmission, et elle est dtecte par un photomultiplicateur.
Enfin, le spectre correspondant est enregistr par un appareil muni dun photomultiplicateur. La longueur donde dun des pics du spectre est caractristique du
benzopyrne. Ce pic est situ 481 nm et sa hauteur est proportionnelle la
concentration du benzopyrne. Lobjectif de ltude est dobtenir un spectre de
bonne qualit permettant de faire un dosage quantitatif du benzopyrne. Pour cela
il faut que la hauteur du pic 481 nm soit la plus leve possible, il faut aussi que
le petit pic situ 489 nm soit bien dtach du pic 481 nm (Figure 7.5). Enfin,
le bruit de fond ne doit pas cacher le pic du benzopyrne 481 nm quand la
teneur est faible et que ce pic est petit.
Un tel appareil ncessite des rglages trs fins pour que la concentration en
benzopyrne soit dtermine avec fiabilit et prcision.
m Rponses
Les exprimentateurs ont dfini trois rponses (Figure 7.6) :

la sensibilit (A) value par la hauteur du pic situ 481 nm ;
le bruit de fond (B) valu par la distance entre lenveloppe infrieure et lenveloppe suprieure de la courbe denregistrement aux basses longueurs donde ;
la slectivit (C) value par la largeur mi-hauteur du pic 481 nm.
124
7 Exemples de plans
Monochromateur
dmission
Monochromateur
dexcitation
Fente
dexcitation
Fente
dmission
Photomultiplicateur
Lampe au
Xnon
chantillon
Enregistreur
Figure 7.5 Schma dun spectrofluorimtre.
Les rponses A et B sont exprimes en densit optique.
C
A
481
489
Longueur d'onde (nm)
Figure 7.6 Dfinition des rponses sur le spectre denregistrement : sensibilit (A),
bruit de fond (B) et slectivit (C).
m Objectif de ltude
Les cibles vises pour chacune des rponses sont les suivantes :
Sensibilit : la hauteur du pic 481 nm doit tre la plus leve possible.
Slectivit : la largeur mi-hauteur du pic 481 nm doit tre la plus faible possible.
Bruit de fond : la distance entre les enveloppes infrieure et suprieure doit tre
la plus faible possible.
125
7 Exemples de plans
Daprs les experts en spectrofluorimtrie, sept facteurs peuvent modifier les rponses
choisies :
Facteur 1 : largeur de la fente dexcitation.
Facteur 2 : largeur de la fente dmission.
Facteur 3 : temprature de lchantillon.
Facteur 4 : vitesse de balayage.
Facteur 5 : gain de lappareil.
Facteur 6 : tension du photomultiplicateur.
Facteur 7 : amortissement de la plume denregistrement.
Le domaine dtude est un espace 7 dimensions dfini par les niveaux bas et haut
de chacun des facteurs (Tableau 7.4).
Tableau 7.4 Domaine dtude.
Facteurs
Niveau 1
Niveau +1
Fente dexcitation (1)
2,5 nm
7,5 nm
Fente dmission (2)
2,5 nm
7,5 nm
Temprature (3)
20 C
40 C
Vitesse balayage (4)
20
100
Gain (5)
10
Tension (6)
310 V
460 V
Amortissement (7)
On cherche les facteurs influents et leurs sens de variation ainsi que les interactions
dordre 2.
Le modle mathmatique choisi a priori est un modle polynomial classique du
premier degr avec les interactions dordre 2. Ce modle mathmatique comporte
29 coefficients.
Avec 8 expriences, on peut dterminer 8 inconnues, cest--dire 8 contrastes.

Pour gagner notre pari, il faut que, pour chaque rponse, on puisse dterminer
sans ambiguts les coefficients importants. Si ce nest pas le cas, on risque davoir
un plan complmentaire effectuer.
On aliase le premier facteur supplmentaire, le facteur 4, sur linteraction 123 du
plan de base 23. On peut crire en notation de Box :
4 = 123
126
7 Exemples de plans
Puis, on aliase les facteurs suivants ainsi :

5 = 12
6 = 23
7 = 13
On en dduit les 4 gnrateurs daliases indpendants :
I = 1234 = 125 = 236 = 137
Lexprimentateur ne prvoit pas de point de contrle car il sait quil ne procdera
aucune modlisation pour faire des prvisions.
m Construction du plan
Pour construire le plan 27-4, il suffit de prendre le plan de base 23 (Tableau 6.9 du
chapitre 6) et dattribuer les facteurs supplmentaires aux interactions.
Tableau 7.5 Plan fractionnaire 27-4.
Essai n
4 = 123
5 = 12
6 = 23
7 = 13
m Confusions
Les quatre gnrateurs daliases indpendants I = 1234 = 125 = 236 = 137

permettent de calculer les gnrateurs daliases dpendants : on multiplie, au sens
du calcul de Box, les gnrateurs daliases indpendants deux par deux, trois par
trois et quatre par quatre. On obtient :
1234 236 = 146
1234 137 = 247
1234 125 = 345
125 137 = 2357
236 137 = 1267
125 236 = 12356
1234 125 236 = 2456 1234 125 137 = 1457
1234 236 137 = 3467
125 236 137 = 567
1234 125 236 137 = 1234567
127
7 Exemples de plans
Soit le gnrateur complet qui comprend 16 termes :

I = 1234 = 125 = 236 = 137 = 345 = 146 = 247 = 12356 = 2357
= 1267 = 2456 = 1457 = 3467 = 567 = 1234567
Pour obtenir les coefficients aliass dans le contraste 1, on multiplie les gnrateurs daliases par 1. Les gnrateurs perdent un chiffre sils possdent un 1, ou
augmentent dun chiffre sils ne possdent pas de 1. Comme nous avons suppos
que les interactions dordre 3 taient ngligeables, nous pouvons liminer du gnrateur complet les gnrateurs de plus de 4 chiffres. Do le gnrateur complet
simplifi :
I = 234 = 125 = 236 = 137 = 345 = 146 = 247 = 567
Ce gnrateur complet simplifi permet de savoir comment sont aliass les effets
principaux et les interactions dordre 2 pour ce plan fractionnaire :
1 = a1 + a25 + a37 + a46
2 = a2 + a15 + a36 + a47
3 = a3 + a17 + a26 + a45
4 = a4 + a16 + a27 + a35
5 = a5 + a12 + a34 + a67
6 = a6 + a14 + a23 + a57
7 = a7 + a13 + a24 + a56
7.2.2 Ralisation des essais
Les essais sont raliss en accord avec le plan dexpriences et les rsultats sont
nots dans le tableau 7.6.
Tableau 7.6 Rponses du plan initial.
128
Essai n
Sensibilit
Slectivit
Bruit de fond
1,22
5,5
1,47
0,9
1,47
5,33
20
2,3
5,64
12
0,69
3,89
7,5
0,69
3,88
0,4
2,82
13
0,26
2,33
23
3,91
7 Exemples de plans
7.2.3 Interprtation des rsultats du plan initial

m Prparation des calculs
Un examen montre quil ny a pas de corrlations marques entre les trois rponses.
On va donc les analyser les unes aprs les autres. On prpare les calculs en choisissant un modle contenant les facteurs principaux et les interactions dordre 2.
Examinons dabord la sensibilit.
m Rponse Sensibilit
On sait que les valeurs indiques sont celles des contrastes (Tableau 7.7 et Figure 7.7).
Linterprtation se fait donc en regardant la structure des aliases et en appliquant
les rgles dinterprtation.
Tableau 7.7 Coefficients du modle Sensibilit (units codes).
Effet
Valeur
0 (constante)
3,25
1
0,06
2
0,78
3
0,02
4
0,14
5
0,018
6
1,43
7
0,06
Deux contrastes sont forts : 2 et 6.

Il faut se mfier de linteraction 26 (hypothse 3). Linteraction 26 est aliase avec
leffet du facteur 3, linteraction 17 et linteraction 45 dans le contraste 3. Le
contraste 3 est pratiquement nul. Daprs lhypothse 2, tous les coefficients de ce
contraste sont nuls. Linteraction 26 peut donc tre nglige.
Sil ny avait que la rponse Sensibilit, ltude serait termine et lon saurait quil
ny a que deux facteurs influents : la fente dmission (facteur 2) et la tension du
photomultiplicateur (facteur 6). On peut vrifier cette conclusion en choisissant
un modle avec ces deux facteurs et leur interaction. Ce modle possde un coefficient de dtermination de 0,99. Le diagramme des effets indique que les niveaux
qui favorisent une forte sensibilit sont le niveau haut pour le facteur 2 et le niveau
bas pour le facteur 6 (Figure 7.8).
129
7 Exemples de plans
Les aliases de la Sensibilit

2
Valeur des aliases
1,5
1
0,5
0
0,5
1
1,5
7+
13
+2
4+
56
6+
14
+2
3+
57
5+
12
+3
4+
67
4+
16
+2
7+
35
6+
45
3+
17
+2
1+
25
+3
2+
15
+3
6+
47
7+
46
Nom des aliases
Figure 7.7 Diagramme barres des aliases (sensibilit).
Sensibilit
5,64
3,25
0,9
1
+1
Fente d'mission
(2)
+1
Tension photomutiplicateur
(6)
Figure 7.8 Diagramme des effets des facteurs influents sur la sensibilit.
m Rponse Bruit de fond
On mne les calculs de la mme manire que pour la sensibilit, cest--dire que
lon considre un modle avec toutes les interactions dordre 2. La structure des
aliases est la mme que pour la sensibilit. Lanalyse des rsultats se conduit de la
mme manire.
Trois contrastes sont forts : 1, 5 et 6 (Tableau 7.8 et Figure 7.9).
Il faut donc se mfier des interactions 15, 16 et 56 (hypothse 3).
Linteraction 15 est aliase avec leffet du facteur 2, linteraction 36 et linteraction 47 dans le contraste 2. Le contraste 2 est pratiquement nul. Daprs
130
7 Exemples de plans
Tableau 7.8 Coefficients du modle Bruit de fond (units codes).

Effet
Valeur
0 (constante)
0,486
1
0,931
2
0,024
3
0,154
4
0,111
5
0,858
6
1,161
7
0,183
Les aliases du Bruit de fond

2
Valeur des aliases
1,5
1
0,5
0
0,5
1
1,5
2
56
67
57
47
45
46
35
4+
4+
7+
6+
3+
6+
7+
2
3
3
2
3
2
2
+
+
+
+
+
+
+
13
14
15
25
12
17
16
7+
6+
2+
5+
3+
1+
4+
Nom des aliases

Figure 7.9 Diagramme barres des aliases (bruit de fond).
lhypothse 2, tous les coefficients de ce contraste sont nuls. Linteraction 15

peut donc tre nglige.
131
7 Exemples de plans
Le bruit de fond est influenc par la fente dexcitation (facteur 1), par le gain de
lappareil (facteur 5) et par la tension du photomultiplicateur (facteur 6). Il ny a
pas dinteractions entre ces facteurs.
On peut vrifier cette conclusion en choisissant un modle avec ces trois facteurs
et leurs interactions. Le modle a un coefficient de dtermination de 0,99. Les
niveaux bas des trois facteurs Fente dexcitation (1), Gain de lappareil (5) et
Tension du photomultiplicateur (6), favorisent un faible bruit de fond (Figure 7.10).
Bruit de fond
2,3
0,48
3,91
1
+1
Fente dexcitation
(1)
Gain
(5)
+1
+1
Tension photomultiplicateur
(6)
Figure 7.10 Diagramme des effets des facteurs influents sur le bruit de fond.
Sil ny avait que les deux rponses Sensibilit et Bruit de fond, ltude serait
termine et lon saurait quil y a :
deux facteurs influents sur la sensibilit : la fente dmission (facteur 2) et la
tension du photomultiplicateur (facteur 6). Il ny a pas dinteraction entre ces
deux facteurs ;
trois facteurs influents sur le bruit de fond : la fente dexcitation (facteur 1), le
gain de lappareil (facteur 5) et la tension du photomultiplicateur (facteur 6).
Il ny a pas dinteraction entre ces trois facteurs.
m Rponse Slectivit
Les calculs sont mens de la mme manire que pour la sensibilit et le bruit de
fond, cest--dire que lon prend un modle avec toutes les interactions dordre 2.
La structure des aliases est donc la mme que pour la sensibilit et le bruit de fond.
Lanalyse des rsultats se conduit de la mme manire.
Trois contrastes sont forts : 2, 4 et 7 (Tableau 7.9 et Figure 7.11).
Il faut donc se mfier des interactions 24, 27 et 47 (hypothse 3).
Linteraction 24 est aliase avec leffet du facteur 7, linteraction 13 et linteraction 56 dans le contraste 7. Le contraste 7 nest pas faible et, par consquent,
on ne peut pas appliquer lhypothse 2. On ne peut pas savoir si le contraste 7
est fort cause de leffet du facteur 7 ou de linteraction 24. Il y a ambigut.
Linteraction 27 est aliase avec leffet du facteur 4, linteraction 16 et linteraction 35 dans le contraste 4. Le contraste 4 ne peut pas tre nglig et donc
132
7 Exemples de plans
Tableau 7.9 Coefficients du modle Slectivit (units codes).

Effet
Valeur
0 (constante)
12,25
1
0,75
2
4,75
3
0,625
4
2,625
5
0,25
6
0,375
7
1,875
Les aliases de la Slectivit

5
Valeur des aliases
4
3
2
1
0
-1
-2
6
5
5
7
7
7
6
+5
+3
+4
+6
+4
+4
+5
24
27
34
37
36
23
26
+
+
+
+
+
+
+
13
12
14
16
25
17
15
6+
7+
4+
5+
1+
2+
3+
Nom des aliases
Figure 7.11 Diagramme barres des aliases (slectivit).
lhypothse 2 ne sapplique pas. On ne peut pas savoir si le contraste 4 est fort

cause de leffet du facteur 4 ou de linteraction 27. Il y a ambigut.
Linteraction 47 est aliase avec leffet du facteur 2, linteraction 15 et linteraction 36 dans le contraste 2. Le contraste 2 ne peut pas tre nglig et donc
lhypothse 2 ne sapplique pas. On ne peut pas savoir si le contraste 2 est fort
cause de leffet du facteur 2 ou de linteraction 47. Il y a ambigut.
La rponse Slectivit nous oblige envisager un plan complmentaire pour
dsaliaser :
leffet du facteur 2 (fente dmission) de linteraction 47 ;
leffet du facteur 4 (vitesse balayage) de linteraction 27 ;
leffet du facteur 7 (amortissement) de linteraction 24.
133
7 Exemples de plans
m Bilan provisoire des rsultats acquis
Avant dattaquer le plan complmentaire, on peut faire le point sur les renseignements dj acquis. Dans le tableau 7.10, on indique les niveaux qui sont favorables
aux objectifs qui ont t dfinis.
Tableau 7.10 Niveaux favorables des facteurs influents sur les rponses.
Facteurs
Sensibilit
Bruit de fond

Fente dmission (2)
Slectivit
+
+
Temprature (3)
Gain (5)
Tension (6)
Amortissement (7)
On constate que :
Le facteur 1 nagit que sur le bruit de fond.
Le facteur 2 agit sur la sensibilit et peut-tre sur la slectivit.
Le facteur 3 na aucune influence sur les rponses.
Si le facteur 4 agit, cest uniquement sur la slectivit.
Le facteur 5 nagit que sur le bruit de fond.
Le facteur 6 agit sur la sensibilit et sur le bruit de fond. Les niveaux de rglage
sont incompatibles. Cela nest pas pour surprendre car si les rglages augmentent
(ou diminuent) la densit optique, ils augmenteront (ou diminueront) aussi
bien le pic 481 nm que le bruit de fond.
Si le facteur 7 agit, cest uniquement sur la slectivit.
7.2.4 lments pour construire le plan complmentaire
Le plan complmentaire doit permettre dobtenir leffet du facteur 2 sans les interactions 15, 36 et 47, cest--dire quil faut trouver le plan ayant comme contraste :
2 = a2 a15 a36 a47
Ce contraste correspond aux confusions :
2 = 15 = 36 = 47
En multipliant par 2, on obtient trois gnrateurs du plan cherch :
I = 125 = 236 = 247
Comme il faut quatre gnrateurs, on reprend :
I = 1234
134
7 Exemples de plans
Pour associer le gnrateur 247 avec une interaction du plan de base, on peut
remplacer 4 par 123 :
247 = 21237 = 137
Do les quatre gnrateurs indpendants du plan complmentaire :
I = 125 = 236 = 137 = 1234
On en dduit les colonnes de signes du plan complmentaire. On applique le
calcul de Box en multipliant les gnrateurs indpendants par 4, 5, 6 et 7 :
4 = 123
5 = 12
6 = 23
7 = 13
Il faut donc changer les signes des colonnes des facteurs 5, 6 et 7.
Vrifions que ce choix dsaliase bien leffet du facteur 2 de linteraction 47. Le
plan initial fournit un contraste 2 dont la structure est :
2 = a2 + a15 + a36 + a47
Le plan complmentaire fournit un contraste 2 dont la structure est :
2 = a2 a15 a36 a47
Lanalyse des deux plans donnera la somme et la diffrence de ces deux contrastes :
on obtiendra dune part leffet du facteur 2 seul, dautre part la somme des trois
interactions :
l 22 ++ 2
l 22 + 2
----------------- = a 2
----------------- = a 15 + a 36 + a 47
2
2
Leffet du facteur 2 est bien dsalias de linteraction 47.
Ce qui est vrai pour le facteur 2, est vrai pour les autres facteurs : dune manire
gnrale, les effets des facteurs seront dsaliass des interactions dordre 2 et celles-ci
resteront aliases entre elles.
m Construction du plan complmentaire
Pour construire le plan complmentaire, on change simplement les signes des interactions 12, 13 et 23.
Tableau 7.11 Plan fractionnaire complmentaire 27-4.

Essai n
4 = 123
5 = 12
6 = 23
7 = 13
10
11
12
13
14
15
16
135
7 Exemples de plans
On excute ces 8 nouveaux essais et on mesure les 3 rponses.

Tableau 7.12 Rponses du plan complmentaire.
Essai n
Sensibilit
Slectivit
Bruit de fond
4,14
3,5
3,56
10
3,18
12
2,41
11
2,82
14
1,39
12
2,74
14
1,9
13
2,44
0,62
14
0,98
3,22
15
5,66
14
0,02
16
5,63
14
1,61
m Confusions (plan initial et plan complmentaire)
On possde maintenant un plan 27-3 de 16 essais dont le gnrateur indpendant

est :
I = 1234 = 3467 = 1356 = 1457 = 1267 = 1356 = 2357
On voit que les facteurs principaux sont aliass avec des interactions dordre 3 ou
plus lev. Comme daprs lhypothse 1, ces interactions sont ngligeables, les
contrastes des effets principaux sont gaux aux effets.
Les interactions dordre 2 sont aliases entre elles trois par trois :
12 = a12 + a34 + a67
13 = a13 + a24 + a56
14 = a14 + a23 + a57
15 = a15 + a36 + a47
16 = a16 + a35 + a27
17 = a17 + a26 + a45
25 = a25 + a37 + a46
En particulier leffet du facteur 2 est dsalias de linteraction 47, leffet du facteur 4 est
dsalias de linteraction 27 et leffet du facteur 7 est dsalias de linteraction 24.
On va dabord analyser la slectivit pour savoir si les deux plans runis sont suffisants pour expliquer cette rponse. Si oui, on pourra sarrter, sinon on continuera
lexprimentation en ajoutant les essais qui permettront de lever les nouvelles
ambiguts.
On vrifie ensuite que les analyses faites sur les rponses Sensibilit et Bruit de
fond sont confirmes sur les 16 essais.
136
7 Exemples de plans
m Les trois rponses analyses sur seize essais
On reprend lensemble des 16 essais et on refait les calculs. On obtient les coefficients,
et non les contrastes, pour les effets principaux. Les interactions sont regroupes
dans les contrastes (Tableau 7.13).
Tableau 7.13 Coefficients (sensibilit, bruit de fond, slectivit).

Effet
Sensibilit
Bruit de fond
Slectivit
Constante
3,35
0,54
11,47
0,19
1,31
0,78
Fente dmission (2)
0,77
0,02
4,03
Temprature (3)
0,10
0,46
0,22
0,035
0,16
1,97
Gain (5)
0,13
0,66
0,28
Tension (6)
1,32
0,82
0,09
Amortissement (7)
0,002
0,41
1,59
12 = 12 + 34 + 67
0,15
0,20
0,53
13 = 13 + 24 + 56
0,058
0,22
0,28
14 = 14 + 23 + 57
0,115
0,34
0,28
15 = 15 + 36 + 47
0,007
0,05
0,72
16 = 16 + 27 + 35
0,10
0,05
0,66
17 = 17 + 26 + 45
0,12
0,30
0,41
25 = 25 + 37 + 46
0,126
0,38
0,03
Les exprimentateurs ont considr que toutes les interactions taient insuffisamment importantes pour modifier de manire intressante les rglages de lappareil
(Figure 7.12). Dans ce cas, seuls les effets principaux sont prendre en compte. Il
ny a donc que trois facteurs influents sur la slectivit et il ny a pas dinteractions
importantes entre ces facteurs.
La slectivit, qui est mesure par la largeur du pic mi-hauteur, sera bonne si cette
largeur est petite. Il faut donc rgler les facteurs 2, 4 et 7 aux niveaux bas (Figure 7.13).
Pour la sensibilit, on retrouve bien les deux facteurs importants : la fente dmission
(facteur 2) et la tension du photomultiplicateur (facteur 6). Il ny a pas dinteractions
137
7 Exemples de plans
Valeur des effets et des

aliases
Effets des facteurs sur

les trois rponses
5
4
3
2
1
0
-1
-2
7
45
56
35
57
47
46
+6
4+
6+
7+
3+
7+
6+
2
2
2
2
3
3
+
+
+
+
+
+
13
14
15
16
17
25
34
2+
Nom des effets et des aliases

Sensibilit
Bruit de fond
Slectivit
Figure 7.12 Diagramme barres des effets et des aliases des trois rponses.
Slectivit
23
11,4
3,5
1
+1
Fente dmission
(2)
Balayage
(4)
+1
+1
Amortissement
(7)
Figure 7.13 Diagramme des effets des facteurs influents sur la slectivit.
importantes entre ces facteurs. Pour obtenir une bonne sensibilit, il faut rgler le
facteur 2 au niveau haut et le facteur 6 au niveau bas.
Pour le bruit de fond, on retrouve bien que les trois facteurs importants sont la
fente dexcitation (facteur 1), le gain du photomultiplicateur (facteur 5) et la
tension du photomultiplicateur (facteur 6). Il ny a pas dinteractions importantes
entre ces facteurs. Pour obtenir un faible bruit de fond, il faut rgler les facteurs 1,
5 et 6 au niveau haut.
Nous devons rassembler lensemble des conclusions obtenues sur chaque rponse
pour faire le bilan de linterprtation. Les rsultats que nous avions consigns dans
138
7 Exemples de plans
le tableau 7.10 sont confirms pour la sensibilit et le bruit de fond. Nous pouvons
maintenant le complter pour la slectivit (Tableau 7.14).
Tableau 7.14 Niveaux favorables des facteurs influents sur les rponses.
Facteurs
Sensibilit

Fente dmission (2)
Bruit de fond
Slectivit
+
+
Temprature (3)
Gain (5)
Tension (6)
Amortissement (7)
Sur les 7 facteurs, 5 sont faciles rgler :

La fente dexcitation (facteur 1) doit tre rgle 7,5 nm pour diminuer le bruit
de fond.
La temprature de lchantillon (facteur 3) na aucune influence sur les rponses.
Elle peut donc varier entre 20 et 40 C.
La vitesse de balayage (facteur 4) doit tre rgle 20 pour rduire la largeur du
pic mi-hauteur (slectivit).
Le gain (facteur 5) doit tre rgl sur 10 pour abaisser le bruit de fond.
Lamortissement (facteur 7) doit tre rgl sur 2 pour favoriser la slectivit.
Deux facteurs sont dlicats rgler :
Si la tension du photomultiplicateur (facteur 6) est rgle sur 310 V, la sensibilit
sera leve mais le bruit de fond sera important. Inversement si la tension du
photomultiplicateur est de 460 V, il y aura peu de bruit de fond mais la sensibilit
sera diminue. Il faudra trouver le meilleur compromis entre ces deux rponses.
Une large fente dmission (facteur 2) augmente la sensibilit mais dgrade la
slectivit. Une fente dmission troite amliore la slectivit, mais dgrade la
sensibilit. Il faudra rgler la largeur de cette fente pour trouver le meilleur
compromis entre ces deux rponses.
Un spectre a t ralis avec ces rglages (Figure 7.14). Le pic 481 nm est lev et
se dtache bien de celui situ 489 nm, le bruit de fond a pratiquement disparu.
Dans la pratique, on pourra rgler les cinq premiers facteurs aux niveaux conseills
et raliser un plan doptimisation avec les deux autres facteurs, tension du photomultiplicateur et fente dmission, pour trouver le meilleur compromis en fonction de la concentration en benzopyrne et de la prsence dimpurets dans les
solutions analyser.
139
7 Exemples de plans
481
7.3 Exemple 08 : les pommes de terre chips
489
Longueur d'onde (nm)
Figure 7.14 Spectre enregistr avec les conditions optimales

dfinies laide du plan dexpriences.

Les chips sont de fines tranches de pommes de terre que lon laisse frire dans un
bain dhuile. Ces chips sont agrables manger condition de ne pas trop sentir
lhuile. la fin de la cuisson la plus grosse partie de lhuile est extraite sous une
pression de 40 MPa pendant 1 heure 60 C. Puis les chips sont soumises un
traitement de finition qui limine encore de lhuile. Il sagit dun traitement sous
une pression de 10 MPa pendant 30 min sous un dbit de 700 kg/h de gaz carbonique surpercritique. Enfin les chips sont sales et empaquetes. Il y a plusieurs
types de chips, des petites ou des grandes et des plates ou des stries.
m Rponses
Les responsables de la fabrication ont dfini deux rponses :

la quantit dhuile retire qui est value en poids,
le got des chips qui est valu par un jury constitu dexperts qui mettent la
note 0 si la qualit est mauvaise et 10 si elle est bonne.
140
7 Exemples de plans
m Objectif de ltude
Lobjectif de ltude est de slectionner les facteurs les plus influents sur les deux
rponses choisies. Il sagit dune tude prliminaire devant servir prparer un
plan de modlisation. Il sagit donc dune tude de criblage faisant intervenir un grand
nombre de facteurs.
Les facteurs retenus couvrent lensemble du processus de dshuilage depuis lextraction

jusquau salage. Neuf facteurs pouvant tre influents ont t recenss :
Facteur 1 : pression dextraction de lhuile.
Facteur 2 : temprature dextraction de lhuile.
Facteur 3 : dure dextraction de lhuile.
Facteur 4 : pression de sparation de lhuile.
Facteur 5 : temprature de sparation de lhuile.
Facteur 6 : dbit du gaz carbonique surpercritique.
Facteur 7 : quantit de sel ajoute aux chips.
Facteur 8 : taille des chips.
Facteur 9 : type de chips.
Le domaine dtude est dfini par les niveaux bas et haut de chacun des facteurs
(Tableau 7.15).

Facteurs
Units
Niveau 1
Niveau +1
Pression dextraction (1)
MPa
30
50
Temprature dextraction (2)
50
70
Dure dextraction (3)
min
45
75
Pression de sparation (4)
MPa
15
Temprature de sparation (5)
25
40
Dbit CO2 (6)
kg/h
600
800
Sel (7)
Taille (8)
petite
grande
Type (9)
plat
stri
On cherche les facteurs influents et leurs sens de variation. Le modle mathmatique postul est un simple modle polynomial ne faisant intervenir que les termes
du premier degr :
y = a0 + a1x1 + a2x2 + a3x3 + a4x4 + a5x5 + a6x6 + a7x7 + a8x8 + a9x9 {7.1}
141
7 Exemples de plans
On adopte le mme modle pour les deux rponses.

Il y a 10 inconnues dterminer : la constante et les 9 effets principaux. Il faut

donc au moins 10 essais. Le plan classique le plus proche est un plan de Plackett et
Burman de 12 essais.
Ces plans peuvent se construire la main en suivant les rgles nonces par Plackett
et Burman, mais il est plus commode de faire appel un logiciel de plans dexpriences. Ces plans comportent un nombre dessais multiple de 4. Les plans factoriels 2k comportent galement un nombre dessais multiple de 4. Cela provient du
fait que tous ces plans deux niveaux sont construits sur des matrices dHadamard
qui comportent un nombre de lignes (ou de colonnes) multiple de 4. Ces matrices
dHadamard possdent limportante proprit dorthogonalit, cest--dire que le
produit scalaire de deux colonnes quelconques est gal 0.
Lhabitude a t prise dappeler plan factoriel (complet ou fractionnaire) tous les
plans ayant un nombre dessais gal 2k et dappeler tous les autres plans de Plackett
et Burman. Ainsi un plan de 12 essais est un plan de Plackett et Burman mais un
plan de 16 essais est un plan factoriel. Cette distinction se justifie car les proprits
de ces plans sont un peu diffrentes. Par exemple, les aliases des plans factoriels
peuvent se calculer avec le calcul de Box mais les aliases des plans de Plackett et
Burman ne peuvent pas se calculer avec le calcul de Box.
Tableau 7.16 Plan dexpriences de Plackett et Burman de 12 essais.
Essai n
PE
Te
DE
PS
TS
CO2
Sel
Taille
Type
10
11
12
142
7 Exemples de plans
Tableau 7.16 Plan dexpriences de Plackett et Burman de 12 essais. (Suite)

Essai n
PE
Te
DE
PS
TS
CO2
Sel
Taille
Type
30
50
45
25
600
petite
plat
50
70
75
15
40
800
grande
stri
Les rsultats de lexprimentation figurent dans le tableau 7.17.
Tableau 7.17 Rponses du plan.

Essai n
Huile
Got
50,4
53,9
45,8
55,4
53,3
50,1
50,4
49,8
49,2
10
50,6
11
44,9
12
45,7
7.3.3 Interprtation des rsultats du plan et conclusion

m Rponse Huile
partir des rsultats exprimentaux obtenus sur lhuile, on calcule la valeur des
coefficients de chaque facteur en utilisant le modle simplifi {7.1}. Ces valeurs
figurent dans le tableau 7.18 et sont illustres par la figure 7.15. Deux facteurs
sont nettement influents : la pression dextraction (1) et la pression de sparation (4). Les autres facteurs ne jouent aucun rle important sur llimination de
lhuile.
143
7 Exemples de plans
Tableau 7.18 Coefficients du modle Huile (units codes).

Effet
Valeur
p-value
Constante
49,96
< 0,0001
2,32
0,0025
0,22
0,1943
0,36
0,0921
2,04
0,0033
0,16
0,3085
Dbit CO2 (6)
0,14
0,3495
Sel (7)
0,06
0,6674
Taille (8)
0,24
0,1748
Type (9)
0,09
0,5153
Huile
2,5
1,5
0,5
0,.5
1,5
2,5
1
Figure 7.15 Coefficients du modle de la rponse Huile.
Les effets tant positifs, on extrait plus dhuile forte pression qu faible pression.
144
7 Exemples de plans
m Rponse Got
La rponse Got est traite de la mme manire que la rponse Huile. Le tableau 7.19
et la figure 7.16 montrent quil y a un seul facteur trs influent, le sel (7), et deux
facteurs influents, la pression dextraction (1) et la pression de sparation (4).
Tableau 7.19 Coefficients du modle Got (units codes).
Effet
Valeur
p-value
Constante
4,9
0,0003
1,08
0,0059
0,25
0,0955
0,08
0,4226
1,08
0,0059
0,25
0,0955
Dbit CO2 (6)
0,08
0,4226
Sel (7)
2,08
0,0016
Taille (8)
0,08
0,4226
Type (9)
0,25
0,0955
Got
2,5
1,5
0,5
0,5
1,5
2,5
1
Figure 7.16 Coefficients du modle de la rponse Got.
On amliore le got si lon met du sel.

145
7 Exemples de plans
Les chips sont donc meilleures au niveau bas des pressions dextraction et de sparation. Or cest pour ce niveau que lon retire le moins dhuile. Les chips ont donc
moins de got quand on retire trop dhuile. On voit bien la difficult de cette
fabrication : sil y a trop dhuile les chips sont grasses et sil ny a pas assez dhuile
elles manquent de moelleux. La quantit dhuile qui reste sur les chips doit donc
tre bien quilibre. On comprend pourquoi un plan doptimisation est ncessaire : il faut trouver le bon quilibre entre le sel et lhuile restante dans les chips.
Un plan faisant intervenir les trois facteurs, le sel, la pression dextraction et la
pression de sparation, devrait apporter la solution cherche. travers cet
exemple, on voit tout lintrt dun plan de criblage qui limine tous les facteurs
ne jouant quun rle mineur sur les rponses tudies.
146
8 ORDRE DES ESSAIS
Est-il indiffrent de raliser les essais dans un ordre ou dans un autre ? Pour
rpondre cette question, il faut tenir compte de plusieurs lments, les uns pratiques, les autres thoriques. Le choix de lordre des essais seffectuera en tenant
compte de ces deux aspects.
Des impratifs exprimentaux peuvent imposer un ordre. Par exemple, une pice en
verre doit prendre deux positions dans un montage dtude. Pour viter de la casser en
la dplaant plusieurs fois, il peut tre avantageux de raliser la squence des essais des
niveaux bas puis, ensuite, la squence des essais des niveaux hauts. On ne la dplacera
ainsi quune fois. La mise en quilibre thermique dun four peut tre trs longue
tablir et lexprimentateur ne tient pas la refaire plusieurs fois. On pourrait trouver
dautres exemples ou les conditions mmes des expriences imposent un ordre de
ralisation des essais, quil sagisse de contraintes matrielles, temporelles ou autres.
Lexprimentateur peut souponner une volution dans le temps ou dans lespace
du phnomne quil tudie et donc des variations systmatiques de la rponse ou
des rponses. Il devra en tenir compte. Si lvolution est rgulire, par exemple
lusure dune pice mcanique, ou le vieillissement dun produit, il y a drive et le
plan dexpriences devra tre ordonn pour la mesurer ou lcarter des rsultats
importants. On peut utiliser des plans anti-drive et/ou ajouter des points de contrle
pour suivre lvolution de cette drive.
Il se peut que le lieu ou le moment o lon effectue les essais affecte les rsultats de
lexprimentation. Par exemple, les mesures effectues le matin peuvent tre systmatiquement plus fortes que celles de laprs-midi. Lexprimentateur devra mener
ses expriences en consquence. Il se peut encore que lon soit oblig de travailler
sur des lots diffrents de matire. Comment faire pour obtenir des effets qui ne
soient pas entachs par lerreur systmatique qui existe entre les mesures du matin
et de laprs-midi ou entre les deux lots de matire ? Il sagit, dans tous ces cas, de
variations systmatiques dont il faut tenir compte. Nous verrons que le blocking
est le moyen de lutte contre ces erreurs systmatiques.
Il se peut galement que de petites erreurs systmatiques modifient les rsultats par
groupes dessais. On peut utiliser la randomisation pour que ces erreurs systmatiques
puissent tre considres comme erreurs alatoires et que lon puisse appliquer les
tests statistiques.
Enfin, les variations peuvent ntre dues qu des causes alatoires.
147
8 Ordre des essais
8.1 Nature des erreurs
Nous commencerons par tudier la nature des diffrentes erreurs. Nous donnerons
ensuite des exemples des diffrentes stratgies que lon peut adopter en fonction
des connaissances que lon a des perturbations qui peuvent intervenir en cours
dexprimentation.

Quand on ralise plusieurs fois la mme mesure dans les mmes conditions opratoires, on constate de petites diffrences entre toutes ces mesures. Ces petites variations
forment ce que lon appelle lerreur exprimentale.
Lorigine de ces variations doit tre cherche dans les variations des niveaux de tous
les facteurs qui peuvent modifier la rponse. On considre que lon peut classer les
facteurs actifs sur la rponse en deux catgories : les facteurs contrls et les facteurs
non contrls.
Les facteurs contrls sont ceux dont lexprimentateur fixe les niveaux. Il sagit
donc des facteurs pris en compte pour lexcution du plan et de tous les facteurs fixs
un niveau constant pendant toute lexprimentation. On considre (hypothse
de la rgression linaire) que ces facteurs nintroduisent pas derreurs. On peut
illustrer les changements de niveaux subis par un facteur contrl (facteur 1) lors
de lexcution dun plan 23 par la figure 8.1.
Niveau +1
Niveau 1
Essai
Figure 8.1 Facteur contrl : les changements de niveaux sont imposs par lexprimentateur.
Les facteurs non contrls sont les autres facteurs, ceux dont les niveaux ne sont pas
fixs par lexprimentateur. Ces facteurs peuvent faire varier la rponse dans des limites
plus ou moins importantes selon les variations imprvues et inconnues de leurs
niveaux. On distingue plusieurs types de facteurs non contrls donnant lieu aux
trois techniques de lutte suivantes : blocking, plans anti-drive et randomisation.
8.1.1 Blocking
Considrons les facteurs dont le niveau reste constant pendant une srie dessais.
Par exemple, si lon effectue la premire partie dun plan dexpriences pendant
148
8 Ordre des essais
lt et la seconde partie en hiver, il y a deux campagnes dessais. On suppose quun

facteur non contrl conserve le niveau a pendant la premire campagne et le niveau b
pendant la seconde campagne. Cependant, les niveaux a et b sont diffrents. On
peut aussi imaginer que le plan soit excut la mme priode mais par deux
oprateurs diffrents ou dans deux laboratoires diffrents. Une application frquente
en agriculture se prsente lorsque lon doit mener les essais sur deux terrains diffrents. Il peut y avoir un cart constant entre les rponses mesures deux poques
ou par deux oprateurs ou par deux laboratoires ou sur deux terrains. La figure 8.2
illustre les variations de niveaux dun facteur non contrl lors de lexcution dun
plan 24 en deux campagnes.
Niveau a
Niveau b
Figure 8.2 Facteur non contrl (blocking) : les niveaux de la premire campagne
sont constants mais diffrents de ceux de la deuxime.
On trouve souvent ce genre de situation et nous avons la chance que les plans
factoriels offrent une mthode pour lutter contre ce type derreur systmatique.
Cette mthode est le blocking. Il est possible malgr la perturbation introduite par
le facteur non contrl, dobtenir les effets des facteurs tudis dans le plan sans
quils soient fausss par les variations de ce facteur non contrl.
Le blocking est une technique trs employe.
8.1.2 Plans anti-drive
Le niveau dun facteur non contrl peut diminuer ou augmenter rgulirement

en fonction des essais. Les rponses seront modifies par cette variation de niveau
et les effets des facteurs du plan seront fausss si lon ne prend pas de prcautions.
Cette variation progressive sappelle une drive et elle est illustre par la figure 8.3.
Comme exemples, on peut citer lactivit dun catalyseur qui diminue progressivement, le flux dun liquide qui se rduit cause du bouchage progressif dun tuyau,
une solution de soude qui saltre au fur et mesure du temps qui passe, ou le vieillissement dune colonne chromatographique qui spare de moins en moins bien.
L aussi, nous avons la chance que les plans factoriels offrent une mthode pour
lutter contre la drive. Il existe des plans anti-drive qui permettent dobtenir la valeur
des effets des facteurs principaux comme sil ny avait pas de drive.
149
8 Ordre des essais
a
b
c
d
e
f
g
h
Essai
Figure 8.3 Facteur non contrl (drive) : les changements de niveaux

sont progressifs dun essai lautre.
8.1.3 Variations alatoires
Le niveau dun facteur peut varier de manire parfaitement alatoire dun essai
lautre (Figure 8.4). Il ny a pas de moyens de lutter contre les perturbations dun
tel facteur. Il contribue la formation de lerreur exprimentale. Sil nintroduit
que de toutes petites variations, il ne sera pas trop gnant. Sil introduit de fortes
variations de la rponse, il faudra essayer de le contrler ou den rduire linfluence.
a
b
c
d
e
f
g
h
Essai
Figure 8.4 Facteur non contrl : les changements de niveaux sont alatoires.
8.1.4 Petites variations systmatiques
Le niveau dun facteur non contrl peut rester stable pendant deux ou trois essais
puis changer brusquement pour se stabiliser, de nouveau, pour deux ou trois essais
un autre niveau, et ainsi de suite. Ce facteur introduit des erreurs systmatiques
qui sont incompatibles avec les tests statistiques. Pour pouvoir appliquer ces tests,
on est amen transformer ces erreurs systmatiques en erreurs alatoires. Pour
cela on emploie la randomisation.
La randomisation consiste choisir lordre des essais de manire alatoire. On
transforme ainsi la figure 8.5 en figure 8.4. Il est maintenant possible dutiliser les
150
8.2 Exemple
Exemple 09
09 :: le
le Penicillium
Penicillium chrysogenum
chrysogenum
8.2
(exemple
(exemple de
de blocking)
blocking)
8 Ordre des essais
c
b
Essai
Figure 8.5 Facteur non contrl (randomisation) : les changements de niveaux

sont par paquets.
tests statistiques. La transformation des erreurs systmatiques en erreurs alatoires

est la fois une bonne et une mauvaise chose : une bonne chose pour les tests
statistiques et une mauvaise car elle augmente la valeur de lerreur alatoire. Il devient
alors plus difficile de dtecter les facteurs peu influents. La procdure correcte est
dliminer dabord les erreurs systmatiques les plus importantes en utilisant le
blocking ou les plans anti-drive et de randomiser ensuite.
Nous tudierons spcialement le blocking qui est une technique trs puissante, les
plans anti-drive et la randomisation.
8.2 Exemple 09 : le Penicillium chrysogenum

(exemple de blocking)
La pnicilline est fabrique partir du Penicillium chrysogenum. Les responsables

de cette fabrication recherchent le milieu nutritif le plus favorable au dveloppement rapide de leur souche. Ils entreprennent un plan dexpriences complet sur
les cinq facteurs dont ils veulent connatre linfluence. Ils ont donc 32 essais
raliser. La dure des essais et les contraintes matrielles ne leur permettent pas de
raliser tous les essais en une seule fois. Ils doivent oprer en deux temps. Ils effectuent une premire campagne de 16 essais, font une pause obligatoire de plusieurs
semaines puis ralisent une deuxime campagne de 16 essais. Le problme est
quentre les deux campagnes, beaucoup de facteurs non contrls ont pu changer
de niveaux : la souche, la temprature, les oprateurs, etc. Malgr ces changements
possibles et imprvisibles, les chercheurs souhaitent obtenir les effets comme si les
facteurs non contrls nexistaient pas. Ils ont donc recours au blocking.
m Rponses
La rponse est le poids de pnicilline obtenu pour chaque essai.

151

8 Ordre des essais
m Objectif de ltude
Dfinir la composition de la solution nutritive pour avoir le meilleur rendement

en pnicilline.
m Facteurs
Les facteurs dtude, cest--dire les facteurs dont les niveaux sont contrls au
cours du plan dexpriences, sont les concentrations des produits suivants :
Facteur 1 : liqueur de mas.
Facteur 2 : lactose.
Facteur 3 : prcurseur.
Facteur 4 : nitrate de sodium.
Facteur 5 : glucose.
m Domaine dtude
Le domaine est prcis dans le tableau 8.1.

Facteurs
Niveau 1
Niveau +1
Liqueur de mas (1)
2%
3%
Lactose (2)
2%
3%
Prcurseur (3)
0,05 %
Nitrate de sodium (4)
0,3 %
Glucose (5)
0,5 %
m Facteur de blocking
En plus des cinq facteurs du plan, il faut prendre en considration le fait que lon
effectue les essais en deux campagnes. On introduit ainsi un facteur supplmentaire :
la campagne. Les 16 premiers essais sont au niveau moins du facteur campagne et
les 16 essais de la deuxime campagne sont au niveau plus. Ce facteur supplmentaire
est le facteur de blocking. Le niveau du facteur de blocking reste constant un niveau
donn, mais inconnu, pendant toute la premire campagne et reste constant un
autre niveau (lui aussi inconnu) pendant toute la seconde campagne. Il sagit dun
facteur supplmentaire dont on ne connat pas la valeur des niveaux.
En ralit, on ne ralise pas un plan complet 25 mais un plan fractionnaire 26-1. Il

faut donc aliaser le facteur de blocking sur une interaction. Comme il ny a quun
facteur supplmentaire, on choisit linteraction dordre le plus lev :
6 = 12345
152
8.2 Exemple
Exemple 09
09 :: le
le Penicillium
chrysogenum
8.2
(exemple de
de blocking)
blocking)
(exemple
8 Ordre des essais
Les essais du plan complets 25 vont se partager en deux groupes, celui dont les
signes de linteraction 12345 sont positifs et celui dont les signes de linteraction
12345 sont ngatifs. Bien sr, cest avant dentreprendre les essais quil faut faire
cette distinction pour attribuer convenablement les essais, soit la premire soit
la deuxime campagne.
m Confusion
Le gnrateur daliases permet grce au calcul de Box et la relation dquivalence

de savoir comment les coefficients du modle sont regroups dans les aliases. En
particulier, le facteur de blocking est alias avec linteraction 12345 :
6 = 12345 = a6 + a12345
Linteraction 12345 risque dapparatre leve. Sil y a des interactions entre le
facteur de blocking et les facteurs tudis, on risque galement de voir des interactions dordre 2 leves :
16 = a16 + a2345
26 = a26 + a1345
etc.
8.2.2 Construction du plan et vrification de lintrt du blocking

m Construction du plan
La construction des plans avec blocking est exactement la mme que celle des
plans fractionnaires. On crit le plan de base 25 et on calcule les signes de linteraction 12345 (Tableau 8.2). Mais pour les plans avec blocking, on regroupe les essais
en fonction du signe de linteraction. Le premier bloc est celui pour lequel le signe
de linteraction 12345 est moins. Le premier bloc est constitu des 16 essais n 1,
18, 19, 4, 21, 6, 7, 24, 25, 10, 11, 28, 13, 30, 31 et 16. Le second bloc est celui
pour lequel le signe de linteraction 12345 est plus. Il est constitu des 16 essais
n 17, 2, 3, 20, 5, 22, 23, 8, 9, 26, 27, 12, 29, 14, 15 et 32.
Tableau 8.2 Construction du plan avec blocking.

Essai n
Bloc = 12345
18
19
21
153

8 Ordre des essais
Tableau 8.2 Construction du plan avec blocking. (Suite)
154
Essai n
Bloc = 12345
24
25
10
11
28
13
30
31
16
17
20
22
23
26
27
12
29
14
15
32
8.2 Exemple
Exemple 09
09 :: le
le Penicillium
chrysogenum
8.2
(exemple de
de blocking)
blocking)
(exemple
8 Ordre des essais
m Vrification de lintrt du blocking
On peut vrifier lintrt du blocking sur cet exemple. Si, au cours de la seconde
campagne toutes les rponses sont augmentes de 10 points par rapport la
premire campagne cause des facteurs non contrls, on peut calculer lincidence de ce dcalage sur les coefficients en attribuant la valeur 10 tous les essais
de la seconde campagne. Le fichier Penicilline_verif.jmp a t construit pour
que vous puissiez faire cette vrification. Faites le calcul des coefficients en adoptant le modle avec toutes les interactions jusqu lordre 5. Vous constaterez que
seuls le coefficient constant et linteraction choisie pour aliaser le facteur de blocking sont affects par le dcalage entre les deux campagnes. Tous les autres coefficients sont pargns. Tout se passe, pour eux, comme si lon avait ralis tous les
essais en une seule fois, linfluence de la campagne a t gomme (Figure 8.6)
pour tous les coefficients, except le coefficient constant et le coefficient de linteraction de blocking.
Effet du blocking sur les coefficients
Figure 8.6 Influence de lerreur de blocking sur les coefficients.
La premire campagne dessais est ralise selon les indications du plan dexpriences. Les 16 essais du premier plan sont excuts dans un ordre alatoire. Au
blocking qui permet de renvoyer lerreur systmatique sur linteraction 12345, les
exprimentateurs ont pris une prcaution supplmentaire : une randomisation des
essais pour saffranchir dventuelles petites erreurs systmatiques. Les essais portent
ct de leur nom un chiffre entre parenthses. Ce chiffre indique lordre dexcution
de lessai. Par exemple, lessai n 18 a t excut en 16e position et il figure la
2e ligne du tableau 8.3.
155

8 Ordre des essais
ce stade il est possible de faire une interprtation des premiers rsultats car on
peut calculer les 5 effets des facteurs principaux et leurs 10 interactions dordre 2.
Il a t ralis la moiti dun plan complet 25, soit un plan 25-1 avec comme gnrateur daliases I = 12345.
Tableau 8.3 Premire campagne dessais.
Essai n
Mas
(1)
Lactose
(2)
Prcurseur
(3)
Nitrate
(4)
Glucose
(5)
Rponse
1 (5)
142
18 (16)
106
19 (11)
88
4 (10)
109
21 (6)
113
6 (9)
162
7 (1)
200
24 (3)
79
25 (7)
101
10 (2)
108
11 (13)
146
28 (15)
72
13 (4)
200
30 (14)
83
31 (8)
145
16 (12)
118
156
8.2 Exemple
Exemple 09
09 :: le
le Penicillium
chrysogenum
8.2
(exemple de
de blocking)
blocking)
(exemple
8 Ordre des essais
La deuxime campagne dessais est ralise quelques mois plus tard. Le tableau 8.4
indique les rsultats des mesures.
Tableau 8.4 Seconde campagne dessais.
Essai n
Mas
(1)
Lactose
(2)
Prcurseur
(3)
Nitrate
(4)
Glucose
(5)
Rponse
17 (23)
106
2 (31)
114
3 (18)
129
20 (28)
98
5 (25)
185
22 (17)
88
23 (30)
166
8 (20)
172
9 (26)
148
26 (22)
114
27 (19)
140
12 (32)
95
29 (21)
130
14 (27)
164
15 (24)
215
32 (29)
110
Pour linterprtation complte du plan, on runit les 32 essais et on en fait lanalyse

globale. On choisit un modle avec toutes les interactions. On obtient 32 coefficients.
On voit tout de suite que la liqueur de mas (1), le prcurseur (3) et le glucose (5)
sont trs influents (Tableau 8.5 et Figure 8.7). Il y a aussi linteraction 35 qui est forte.
Et tout fait bizarrement des interactions dordre lev : 1234, 1345 et 12345.
157

8 Ordre des essais

Effet
Valeur
Constante
129,56
Effet
Valeur
123
1,31
Mas (1)
17,56
124
2,87
Lactose (2)
0,56
125
1,62
Prcurseur (3)
16,06
134
1,75
Nitrate (4)
135
3,25
Glucose (5)
20,87
145
2,81
234
2,62
12
5,94
235
2,75
13
6,06
245
2,31
14
345
0,56
15
2,62
1234
23
4,44
1235
2,62
24
1245
1,81
25
1345
4,19
34
2345
1,06
35
10,5
45
2,19
12345
6,31
Effet des facteurs - Pnicilline

25
20
15
10
5
0
5
10
15
20
Figure 8.7 Effets des facteurs principaux et des interactions.
158
2345
12345
1245
1345
1235
345
1234
245
234
235
135
145
134
123
124
125
35
45
34
23
24
25
14
15
12
13
25
8.2 Exemple
Exemple 09
09 :: le
le Penicillium
chrysogenum
8.2
(exemple
(exemple de
de blocking)
blocking)
8 Ordre des essais
Pour essayer de distinguer les effets prendre en compte et ceux que lon peut ngliger,
on peut utiliser le diagramme de Pareto (Figure 8.8) et le diagramme Daniel (Figure 8.9).
2
345
4
24
34
2345
123
125
134
1245
45
245
15
234
1235
235
145
124
25
135
1234
1345
23
14
12
13
12345
35
3
1
5
0
10
15
20
25
Figure 8.8 Diagramme de Pareto des effets de lexemple sur la pnicilline.
Lexamen des diagrammes de Pareto et de Daniel montre que lon peut retenir
comme facteurs influents :
liqueur de mas (facteur 1),
prcurseur (facteur 3),
glucose (facteur 5),
interaction 35.
La coupure entre les coefficients conserver et les coefficients rejeter semble se
situer aux alentours de la valeur 6. Ce choix peut paratre arbitraire, mais il nest
jamais dfinitif et peut tre modifi pour donner lieu une nouvelle analyse. Avec
cette dcision, que faut-il penser de linteraction 12345 qui est au niveau de la
coupure, et qui, selon les hypothses dinterprtation habituelles, devrait tre trs
faible ?
159

8 Ordre des essais
Pnicilline
2,5
3
2
12345
1,5
1
Normit
0,5
0
30
20
10
10
20
-0.5
1
35
1,5
5
2
2,5
Effet
Effet
Figure 8.9 Diagramme de Daniel permettant de distinguer les effets importants.
Cest linteraction sur laquelle nous avons alias le facteur 6, le facteur de blocking :
6 = 12345
La relation dquivalence indique que le facteur de blocking est alias avec linteraction 12345 :
6 = 12345 = a6 + a12345
Dans ce contraste, ce nest pas linteraction 12345 qui est leve mais leffet du
facteur 6. Il y a une diffrence de 12 points entre les rponses de la premire
campagne et celles de la deuxime. Cette diffrence nest pas ngligeable et elle
aurait fortement fauss les rsultats si les exprimentateurs navaient pas pris la
prcaution de faire un blocking.
Comment faut-il rgler les niveaux des trois facteurs les plus influents pour
obtenir la meilleure production possible de pnicilline (Figure 8.10) ?
La concentration en liqueur de mas (facteur 1) sera fixe 2 % (niveau bas).
La concentration en prcurseur (facteur 3) sera fixe 0,05 % (niveau haut).
Il ny aura pas de glucose (niveau bas du facteur 5).
Si on veut encore amliorer lgrement la production, on pourra fixer :
la concentration en lactose (facteur 2) 3 % (niveau haut) ;
la concentration en nitrate de sodium (facteur 4) 0,3 % (niveau haut).
160
8 Ordre des essais
8.3 Exemple 10 : les haricots de Yates
Poids
215
72
1
+1
+1
Lactose (2)
Mas (1)
+1
Prcurseur (3)
Poids
215
72
1
Nitrate (4)
+1
+1
Glucose (5)
Figure 8.10 Choix des niveaux des facteurs pour optimiser la production de pnicilline.

Yates travaillait avec Fisher la station exprimentale de Rothamsted en Angleterre

dans le Hertfordshire. En 1935, il lana une recherche sur linfluence des engrais
sur le rendement dune espce de haricots, dont les rsultats furent publis en
1937 ; il sagit dun des plus anciens plans dexpriences et il est intressant de voir
que, ds cette poque, les chercheurs avaient su exploiter au mieux les avantages
des plans dexpriences dans le milieu agronomique et en particulier utiliser la
technique du blocking pour saffranchir des multiples facteurs non contrls que
lon rencontre dans leur domaine. Les expriences tant longues et les terrains
dexprimentation tant trs grands il nest pas ncessaire de restreindre le nombre
dessais et denvisager des plans fractionnaires. Les prcautions prendre sont dun
autre ordre. En effet, on nest jamais sr que deux terrains aient la mme fertilit.
Sur lun deux, les plantes vont pousser avec exubrance et, sur lautre, elles seront
malingres et rachitiques. Comment obtenir linfluence dun engrais malgr la
diffrence de fertilit de terrains sur lesquels on mne une mme exprimentation ? Il faut dabord rechercher des terrains assez proches au point de vue fertilit
et envisager ensuite un blocking pour renvoyer linfluence de la fertilit sur le
facteur de blocking.
Yates voulait tudier quatre engrais et il avait slectionn quatre terrains pour ses
cultures. Comment organiser les plantations pour qu la fin des expriences, on
161
8 Ordre des essais
puisse avoir une vue peu prs juste de linfluence de chaque engrais test ? Il na
pas choisi la mthode maladroite dtudier un engrais par terrain. Il a au contraire
savamment dispos les essais dun plan dexpriences sur les quatre terrains et a
tenu compte de la diffrence de fertilit.
m Rponses
La rponse est le poids de haricots rcolts par essai.

m Objectif de ltude
Trouver linfluence des engrais seuls ou associs entre eux.

m Facteurs
Les facteurs retenus par Yates taient :

Facteur 1 : espace entre les ranges de haricots.
Facteur 2 : quantit de fumure.
Facteur 3 : quantit de nitrate.
Facteur 4 : quantit de superphosphate.
Facteur 5 : quantit de potasse.
m Domaine dtude
Le domaine dtude est prcis dans le tableau 8.6.

Facteurs
Niveau 1
Niveau +1
Espace entre ranges (1)
18 inches
24 inches
Fumure (2)
0 tonne lacre
10 tonnes lacre
Nitrate (3)
0 livre lacre
50 livres lacre
Superphosphate (4)
0 livre lacre
60 livres lacre
Potasse (5)
0 livre lacre
100 livres lacre
Comme il y a 5 facteurs qui prennent 2 niveaux, Yates dcida de raliser un plan

complet 25. Mais il prit la prcaution de faire un blocking pour renvoyer les diffrences de fertilit sur des interactions et obtenir ainsi la vraie valeur des effets des
5 facteurs du plan.
Il faut rpartir les 32 essais sur les 4 terrains dont les fertilits peuvent tre diffrentes. On sarrange pour mettre 8 essais par terrain. Pour diviser 32 par 4, il faut
introduire 2 facteurs de blocking, le facteur 6 et le facteur 7. En effet, la colonne
162
8 Ordre des essais
du facteur 6 contient autant de signes moins que de signes plus. Elle permet de
diviser les essais en deux blocs. Il en est de mme de la colonne 7. En associant la
colonne 6 et la colonne 7, on obtient les 4 blocs (+ +), (+ ), ( +) et ( ), contenant
chacun 8 essais.
Tout se passe comme si Yates ne ralisait pas un plan complet 25, mais un plan
fractionnaire 27-2. Comme il y a deux facteurs de blocking, il faut choisir deux
interactions. Yates aliase le facteur de blocking 6 sur linteraction 124 et le facteur
de blocking 7 sur linteraction 135 :
6 = 124
7 = 135
Ces deux gnrateurs indpendants engendrent le GGA :

I = 1246 = 1357 = 234567
On pourrait calculer la main la rpartition des essais entre les quatre blocs et cest
ce qua fait Yates car il navait pas dordinateur. Il a crit tous les signes des interactions 124 et 135 et les a groups selon le tableau 8.7. Le bloc 1 contient tous les
essais dont linteraction 124 possde un signe moins et linteraction 135 possde
un signe moins. Le bloc 1 est compos des essais n 1, 8, 11, 14, 20, 21, 26 et 31.
Ce bloc est attribu lun des quatre terrains. On opre de mme pour les autres
blocs. Aujourdhui on utilise un logiciel pour faire ce travail, ce qui est beaucoup
plus rapide.
Tableau 8.7 Dfinition des niveaux des facteurs de blocking pour chaque terrain.
Terrain
124
135
Bloc 1
Bloc 2
+1
Bloc 3
+1
Bloc 4
+1
+1
m Vrification de lintrt du blocking
On utilise le modle dun plan complet 25 avec toutes les interactions, mais certaines
seront fausses par la prsence des facteurs de blocking.
Vrifions quune diffrence de fertilit entre les terrains ne modifie pas les effets
des facteurs tudis. Pour cela on suppose que la fertilit du premier bloc dcale les
rponses de 5, que la fertilit du second bloc dcale les rponses de 10, que la fertilit
du troisime bloc dcale les rponses de 15 et que la fertilit du quatrime bloc
dcale les rponses de 20.
Seuls le coefficient constant et les interactions choisies pour aliaser les facteurs de
blocking sont affects par le dcalage entre les fertilits des quatre terrains
(Figure 8.11). Les autres coefficients ne sont pas affects par les variations de fertilit. Tout se passe comme si Yates navait eu quun seul terrain de mme fertilit.
163
8 Ordre des essais
Vrification blocking - Yates

6
4
2
0
2
4
2345
12345
1245
1345
345
1234
1235
234
235
245
135
145
124
125
134
35
45
123
25
34
15
23
24
12
13
14
4
5
1
2
3
Figure 8.11 Vrification de lincidence du blocking.

m Mise en place des essais
On divise le premier terrain en 8 parcelles et on lui attribue au hasard lun des

quatre blocs. On y dispose les 8 essais correspondant au bloc. On opre de mme
pour les trois autres terrains.
Comment faut-il disposer les essais sur chaque terrain ? Il est probable quil y a, l
aussi, de petites variations de fertilit. Il est aussi possible que cette variation ne
soit pas alatoire. La fertilit peut diminuer progressivement quand on se dplace
du nord au sud ou dest en ouest. Toutes les autres variations sont galement possibles. Dans ces conditions, si on dispose les essais par ordre de numro croissant du
nord au sud, on aura une corrlation entre lerreur introduite par la variation de
fertilit et le numro dordre des essais. Cette situation est trs gnante pour appliquer les tests statistiques qui supposent que les carts (variation de fertilit) sont
indpendants, cest--dire non corrls entre eux. Pour pouvoir appliquer les tests
statistiques, on a lhabitude de rpartir les essais au hasard lintrieur des blocs,
donc ici sur le terrain. Cest ce que fit Yates.
Aprs cette phase de prparation, les cultures sont lances et surveilles jusqu la
rcolte des haricots. Les quantits recueillies sont peses et le poids de haricots de
chaque essai est enregistr. Ces rsultats figurent dans le tableau 8.8.
Tableau 8.8 Plan dexpriences et rsultats exprimentaux.
Essai n
6 = 124
7 = 135
Bloc
Rponses
66,5
36,2
74,8
164
8 Ordre des essais
Tableau 8.8 Plan dexpriences et rsultats exprimentaux. (Suite)

Essai n
6 = 124
7 = 135
Bloc
Rponses
54,7
68
23,3
67,3
70,5
56,7
10
29,9
11
76,7
12
49,8
13
36,3
14
45,7
15
60,8
16
64,6
17
63,6
18
39,3
19
51,3
20
73,3
21
71,2
22
60,5
23
73,7
24
92,5
25
49,6
26
74,3
27
63,6
28
56,3
29
48
30
47,9
31
77
32
61,3
165
8 Ordre des essais
Lanalyse de ce plan commence, comme dhabitude, par le calcul des coefficients

du modle polynomial dont toutes les interactions ont t conserves dans le
modle (Tableau 8.9).
Effet
Valeur
Constante
58,91
Effet
Valeur
123
0,99
Espace entre ranges (1)
3,90
124
5,85
Fumure (2)
7,85
125
0,76
Nitrate (3)
1,62
134
0,45
Superphosphate (4)
2,75
135
3,08
Potasse (5)
3,8
145
1,74
234
0,54
12
2,52
235
1,12
13
1,66
245
0,87
14
1,47
345
2,42
15
4,37
1234
0,31
23
2,57
1235
1,02
24
0,24
1245
1,86
25
1,94
1345
3,17
34
2,58
2345
1,56
35
2,175
45
0,21
12345
2,39
Ce tableau est illustr par le diagramme barres de la figure 8.12.

On obtient 32 coefficients dont les plus levs sont les suivants :
Le facteur 2 (fumure) est de loin le plus efficace.
Linteraction 124. Il ne faut pas tre tonn de trouver une interaction dordre 3
si leve. Il sagit en ralit dun des deux facteurs de blocking. Ce rsultat prouve
que la fertilit tait trs diffrente dun terrain lautre. Sans la prcaution du
166
8 Ordre des essais
Effets des facteurs - Yates

8
6
4
2
0
-2
-4
-6
1
2
3
4
5
12
13
14
15
23
24
25
34
35
45
123
124
125
134
135
145
234
235
245
345
1234
1235
1245
1345
2345
12345
-8
Figure 8.12 Coefficients du modle des haricots de Yates.
blocking, linterprtation du plan aurait t compltement errone puisquon

aurait attribu aux facteurs dtude des rendements provenant des diffrences de
fertilit du terrain.
Linteraction 15. Linfluence de la potasse nest pas la mme selon que les rangs
sont serrs ou non.
Le facteur 1 (espace entre les rangs).
Le facteur 5 (potasse).
Linteraction 135. Elle correspond au deuxime facteur de blocking. La forte valeur
de cette interaction confirme les fortes disparits de fertilit entre les terrains.
Linteraction 1345. Il sagit de linteraction entre le facteur 4 (superphosphate)
et la fertilit des terrains. Cette interaction traduit le fait que cet engrais na pas
la mme influence selon les terrains.
Linfluence des autres facteurs et interactions est ensuite de plus en plus faible.
Nous retiendrons trois facteurs influents :
lespacement entre ranges (facteur 1),
la quantit de fumure (facteur 2),
la quantit de potasse (facteur 5).
On peut refaire les calculs avec les trois facteurs prcdents et leurs interactions
dordre 2. Les rsultats sont reports sur la figure 8.13.
Sil ny a ni fumure (niveau bas du facteur 2), ni potasse (niveau bas du facteur 5) et si
les ranges sont espaces (niveau haut du facteur 1), le rendement est mauvais (34,5).
On peut amliorer ce rendement de deux manires :
On resserre les ranges et on ajoute de la fumure. Le rendement est doubl (70,6).
167
8 Ordre des essais
8.4 Exemple 11 : le broyeur

(exemple de plan anti-drive)
71,6
65,6
58,8
54,7
Potasse
(Facteur 5)
70,6
59,1
Fumure
34,5
56,1
(Facteur 2)
Espacement entre ranges

(Facteur 1)
Figure 8.13 Rendement des haricots en fonction des trois facteurs les plus influents.
On conserve les ranges espaces, mais on ajoute de la fumure et de la potasse.

L aussi, le rendement est doubl (71,6).
Les deux rglages conduisent peu prs au mme rendement. On peut donc
choisir le plus conomique ou le plus pratique.

8.4.1 Introduction
Nous venons de voir un exemple de variations systmatiques, les variations par

blocs. Il existe aussi des variations systmatiques par drive de la rponse. Il y a
drive lorsque la rponse de chaque exprience est augmente (ou diminue)
dune quantit croissante par rapport la rponse sans drive. Par exemple, lusure
progressive dune pice mcanique ou le vieillissement dun matriau peut entraner
une variation systmatique de la rponse au cours de lexprimentation. Deux
types de drives seront examins, la drive linaire et la drive quelconque. Il faut
penser se prmunir contre une drive.
m Drive linaire
La rponse du premier essai est y1 quand il ny a pas de drive. Quand il y a drive,

elle vaut y1 telle que y1 = + y1 + h.
Pour le second essai, la rponse sans drive est y2. La rponse avec drive y2 est
telle que y2 = + y2 + 2h.
Le tableau 8.10 rsume les donnes du problme pour un plan 23, en supposant
que lordre des essais soit celui correspondant lordre habituel, cest--dire
lordre de Yates.
168
8 Ordre des essais

Tableau 8.10 Drive linaire.

Essai
Rponses sans drive
Rponses avec drive
y1
y1 = y1 + h
y2
y2 = y2 + 2h
y3
y3 = y3 + 3h
y4
y4 = y4 + 4h
y5
y5 = y5 + 5h
y6
y6 = y6 + 6h
y7
y7 = y7 + 7h
y8
y8 = y8 + 8h
La matrice des effets dun plan 23 permet de calculer lincidence de la drive sur
chacun des effets et sur chacune des interactions. Le tableau 8.11 illustre ce calcul.
Tableau 8.11 Influence de la drive sur les effets dun plan 23.
Essai n
12
13
23
123
Rponses
1 (1)
+1
+1
+1
+1
1h
2 (2)
+1
+1
+1
+1
2h
3 (3)
+1
+1
+1
+1
3h
4 (4)
+1
+1
+1
+1
4h
5 (5)
+1
+1
+1
+1
5h
6 (6)
+1
+1
+1
+1
6h
7 (7)
+1
+1
+1
+1
7h
8 (8)
+1
+1
+1
+1
+1
+1
+1
+1
8h
Influence drive
36 h
4h
8h
16 h
On en conclut que les effets sont modifis ainsi :

E2 = E2 + 1 h
E1 = E1 + 0,5 h
E12 = E12
E3 = E3 + 2 h
E13 = E13
E123 = E123
E23 = E23
I = I + 4,5 h
169
8 Ordre des essais

Les quatre interactions ne sont pas influences par la drive alors que les effets
principaux le sont. Ne peut-on pas sarranger pour que ce soit linverse ? Il suffit de
remarquer que cest lordre des signes plus et moins des interactions qui annule
linfluence de la drive. Il faut donc organiser les essais pour que les effets principaux
utilisent lordre des signes des interactions. Le facteur 1 sera par exemple tudi
sur la colonne des signes de linteraction 123, le facteur 2 sur celle de 12 et le
facteur 3 sur celle de 23.
Ce qui conduit la nouvelle matrice dexpriences o figurent les mmes essais
que dans la matrice initiale mais dans un ordre diffrent. Avec les hypothses faites, il
faut adopter lordre : 7 6 2 3 4 1 5 8. Les effets principaux sont alors indpendants
de la drive, mais les interactions sont videmment entaches dune erreur comme
le montre le tableau 8.12.
Tableau 8.12 Influence de la drive sur les effets dun plan 23 rordonn.
Essai n
12
13
23
123
Rponses
7 (1)
+1
+1
+1
+1
1h
6 (2)
+1
+1
+1
+1
2h
2 (3)
+1
+1
+1
+1
3h
3 (4)
+1
+1
+1
+1
4h
4 (5)
+1
+1
+1
+1
5h
1 (6)
+1
+1
+1
+1
6h
5 (7)
+1
+1
+1
+1
7h
8 (8)
+1
+1
+1
+1
+1
+1
+1
+1
8h
Influence drive
36 h
16 h
4h
8h
Il faut retenir que lorsquil y a drive, lordre des essais nest pas indiffrent sur le
rsultat et quil faut soigneusement choisir cet ordre pour aboutir des conclusions
pertinentes sur les effets principaux et les interactions.
En particulier, on se mfiera des interactions qui, dans ce cas, sont fausses par
lerreur de drive. On a l un moyen de dtecter une drive car il y a trois valeurs
qui sont dans les proportions 1, 2, 4.
Lordre des essais que nous venons dindiquer nest pas le seul qui permette
dobtenir des effets principaux vierges de linfluence dune drive linaire. On peut
crire 144 ordres diffrents qui ralisent ce mme objectif pour un plan 23.
Lannexe 3 les indique tous.
Si lon a pris la prcaution dordonner les essais suivant les donnes de ce tableau,
il est possible de dceler une drive (examen des interactions) tout en obtenant de
bonnes estimations des effets principaux.
170
8 Ordre des essais

m Drive quelconque
Lexprimentateur redoute une drive, mais il na aucune raison de penser quelle

est linaire. Il dsire mieux la connatre et pouvoir le cas chant calculer les effets
comme sil ny avait pas eu de perturbation.
Un exprimentateur dsire augmenter la quantit de poudre quil produit avec un

broyeur. Il redoute une usure des mchoires qui risque dintroduire une drive et
donc dobtenir des effets fausss.
m Objectif de ltude
Obtenir les effets des facteurs principaux comme sil ny avait pas de drive.
m Rponses
La rponse est la masse de poudre (en grammes) qui sort, la bonne granulomtrie,
du broyeur, chaque essai ayant la mme dure.
m Facteurs
Les facteurs prendre en compte sont :

la vitesse de rotation (facteur 1),
la pression dcrasement (facteur 2),
la hauteur de lentrefer (facteur 3).
Comme il y a trois facteurs tudier, le plus simple est de choisir un plan factoriel
complet 23. Mais la prsence dune drive ventuelle incite lexprimentateur
choisir un plan anti-drive. Mme si la drive nest pas linaire, les effets principaux
seront peu affects par cette cause derreur. Mais il vaut mieux, en plus, pouvoir
valuer exactement linfluence de cette drive. Pour cela il faut insrer des points
de rptition dans le plan dexpriences afin de suivre lvolution de la drive et de
pouvoir apporter les corrections ncessaires lobtention des effets comme sil ny
avait pas de drive. Le nombre de rptitions dpend de lenjeu de ltude et du
cot des essais. Il faut prvoir, au moins, un point de rptition au dbut, au milieu
et la fin du plan. On peut prvoir au plus un point de rptition entre chaque essai
du plan. En fonction de lenjeu de ltude et du budget lexprimentateur choisira
entre 3 et 9 points au centre pour suivre la drive. Lexemple est dvelopp avec
9 points au centre.
Lexprimentateur tire donc au hasard lordre dun plan anti-drive dans la liste des
144 ordres possibles et incorpore un point de rptition entre chaque essai du plan.
Lordre tir au hasard est 6 7 3 2 4 1 5 8. Les points au centre sont numrots avec
un 0 devant le chiffre de lessai. Le plan anti-drive complet comprend donc
9 + 8 = 17 essais. Le tableau 8.13 rassemble les expriences ralises et les rponses
obtenues.
171
8 Ordre des essais

Les essais sont scrupuleusement raliss dans lordre prvu par le plan dexpriences
et les rsultats sont consigns dans le tableau 8.13.
Tableau 8.13 Matrice dexpriences et rsultats bruts des mesures.
Essai n
Vitesse rotation
(1)
Pression
(2)
Entrefer
(3)
Rponses
01
500
6 (1)
493
02
460
7 (2)
410
03
426
3 (3)
402
04
393
2 (4)
410
05
363
4 (5)
434
06
335
1 (6)
261
07
309
5 (7)
216
08
285
8 (8)
338
09
263
Niveau
40
0,20
Niveau 0
50
0,25
Niveau +
60
0,30
Lexamen de la suite des valeurs obtenues pour le point au centre montre clairement quil y a drive. On peut la tracer sur un graphique en portant en ordonnes
les valeurs de la rponse et en abscisses les numros des expriences (Figure 8.14).
172
8 Ordre des essais

On portera galement sur le mme graphique les rponses correspondant aux points
exprimentaux du plan 23.
Broyeur
550
500
450
Poids
400
350
300
250
200
01
02
03
04
05
06
07
08
09
Nom de l'essai
Figure 8.14 Les rptitions au point central permettent de faire apparatre la drive.
Bien que la drive ne soit pas linaire, le calcul des effets (Tableau 8.14) fait apparatre des interactions dans les rapports proches de 0, 1, 2 et 4. Les effets principaux ne devraient pas tre trop loin des valeurs relles. Il est bien apparent sur cet
exemple que les interactions ne sont, en aucun cas, des estimations de lerreur sur
les coefficients. Seule linteraction 13 pourrait tre considre comme telle. (Rappelons
que le calcul des effets et des interactions est effectu sans les points de contrle
au centre.)
Tableau 8.14 Coefficients obtenus sans corrections (units codes).

Effet
Valeur
Constante
370,5
Vitesse rotation (1)
48,25
Pression (2)
25,5
Entrefer (3)
6,25
12
58,25
13
23
15,75
123
29
173
8 Ordre des essais

La drive ntant pas tout fait linaire, il nest pas possible dutiliser les formules
du paragraphe prcdent pour faire les corrections. Nous allons adopter une
mthode graphique. Entre les essais n 01 et 02, lcart est de 40 g soit 20 g pour
lessai n 6 excut entre les essais n 01 et 02. On suppose que sil ny avait pas eu de
drive, le rsultat trouv aurait t plus fort de 20 g, soit 493 + 20 = 513 g. Pour
lessai n 7 (excut en second), la valeur moyenne au point milieu a t 1/2(460
+ 426) = 443 g au lieu de 500 g, soit 57 g en moins. Le rsultat de lessai n 7 doit
tre augment dautant : 410 + 57 = 467 g (Tableau 8.15).
Tableau 8.15 Rponses corriges de la drive (units codes).
Essai n
Rponses corriges
(g)
513
467
492
530
584
438
420
566
On effectue de mme la correction de toutes les rponses des essais du plan factoriel.
On recalcule ensuite les effets et les interactions avec ces rponses corriges. On
obtient de cette faon, les coefficients comme sil ny avait pas eu de drive. Le
tableau 8.15 indique les rponses corriges de la drive et le tableau 8.16 indique
les effets recalculs avec ces nouvelles valeurs.
Tableau 8.16 Coefficients corrigs de la drive (units codes).
174
Effet
Valeur
Constante
501,25
47
Pression (2)
26
Entrefer (3)
9,75
12
0,75
13
23
123
0,75
8 Ordre des essais
8.5 Avantages et dangers de la randomisation
Les trois facteurs tudis sont influents sur le rendement en poudre. Le plus important
est la vitesse de rotation qui doit tre dau moins 60 tr/min. La pression du ressort
doit tre rgle le plus fort possible, ici 8. Lentrefer doit tre 0,20, niveau bas
du rglage.
Il ny a pas dinteraction entre ces facteurs.
De jour en jour, on constate une forte diminution du rendement due une usure
des mchoires.
Il sera donc ncessaire de changer la nature des mchoires pour viter la diminution
de rendement. Il faudra galement examiner si une vitesse de rotation plus leve
et une pression plus forte ne pourraient pas amliorer encore le rendement.

Nous avons dj signal que la randomisation consiste choisir lordre des essais
de manire alatoire. Le but essentiel est de pouvoir utiliser les tests statistiques
mme sil reste de petites erreurs systmatiques. Mais la transformation des erreurs
systmatiques en erreurs alatoires nest pas toujours une bonne chose. En effet,
lerreur systmatique vient grossir lerreur alatoire. Il devient alors plus difficile de
dtecter les facteurs peu influents. Si les erreurs systmatiques sont importantes, la
randomisation peut devenir une technique catastrophique. Les erreurs systmatiques
doivent tre limines avant la randomisation.
La procdure correcte est dliminer dabord les erreurs systmatiques les plus
importantes en utilisant le blocking ou les plans anti-drive et de randomiser ensuite.
Quels auraient t les rsultats du plan avec drive si les exprimentateurs avaient
simplement randomis les essais sans se mfier de la drive ? On suppose que les
essais ont t tirs au hasard (ordre 1 5 8 7 4 6 2 3) et quaucun point de rptition
na t ralis.
laide des rsultats dj trouvs, on peut recalculer les rponses que lexprimentateur aurait mesures. La matrice dexpriences serait prsente selon le tableau 8.17
et lexprimentateur en aurait dduit les effets qui figurent dans le tableau 8.18.
Les effets ainsi calculs sont compltement faux, ainsi que les interactions. Nous
ninsisterons pas sur les consquences que peuvent avoir de telles erreurs de conception
et dorganisation des essais.
Tableau 8.17 Rsultats bruts des mesures dun plan simplement randomis.
Essai n
Vitesse de rotation
(1)
Pression
(2)
Entrefer
(3)
Rponses
1 (1)
415
5 (2)
358
8 (3)
474
175
8 Ordre des essais
Tableau 8.17 Rsultats bruts des mesures dun plan simplement randomis. (Suite)
Essai n
Vitesse de rotation
(1)
Pression
(2)
Entrefer
(3)
Rponses
7 (4)
342
4 (5)
433
6 (6)
337
2 (7)
332
3 (8)
259
Niveau
40
0,20
Niveau 0
50
0,25
Niveau +
60
0,30
Tableau 8.18 Coefficients dun plan simplement randomis (units codes).

Effet
Valeur
Constante
368,75
25,25
Pression (2)
8,25
Entrefer (3)
12
51,25
13
2,5
23
22
123
13
Afin de comparer les diffrentes techniques dorganisation de lordre des essais, les
effets obtenus ont t rassembls dans le tableau 8.19 et illustrs par la figure 8.15.
(1) Plan anti-drive. Les effets des facteurs principaux sont obtenus vierges
de linfluence de la drive. Mais les interactions sont fausses. Lexprimentateur
se doutait de la drive, mais il ne pouvait raliser que huit essais, il a choisi les
meilleures conditions dexprimentation mais il ne devra pas tirer de conclusions
sur les interactions.
176
8 Ordre des essais
Tableau 8.19 Comparaison des trois techniques.
Effets
Plan anti-drive
Rponses corriges
de la drive
Randomisation
Constante
370,5
501,25
368,75
48,25
47
25,25
Pression (2)
25,5
26
8,25
Entrefer (3)
6,25
9,75
12
58,25
0,75
51,25
13
2,5
23
15,75
22
123
29
0,75
13
Comparaison des trois mthodes

60
Valeur des effets
40
20
0
20
40
60
1
12
13
23
123
Nom des effets

Anti-drive
Rponses corriges
Simple randomisation
Figure 8.15 Diagrammes barres de comparaison des trois mthodes.
(2) Correction complte de la drive sur toutes rponses. Les effets et les interactions sont justes mais au prix dun nombre lev dexpriences.
(3) Simple randomisation sans tenir compte de la drive. Les effets des facteurs
principaux et des interactions sont faux. Le manque de clairvoyance de lexprimentateur peut tre catastrophique.
Il faut retenir de cet exemple quil est ncessaire de saffranchir dabord des erreurs
systmatiques en utilisant le blocking ou les plans anti-drive, puis de randomiser
ensuite.
177
9 PLANS POUR SURFACES DE RPONSE
Les plans examins prcdemment navaient que deux niveaux dtude par facteur
et les modles mathmatiques utiliss taient du premier degr (avec ou sans interactions) par rapport chaque facteur. Ces plans sont les plus employs car ils
permettent le criblage des facteurs et conduisent parfois des modlisations
simples mais suffisantes. Pourtant, il existe de nombreux cas o il est ncessaire
davoir une bonne modlisation des phnomnes tudis et o il faut passer des
modles mathmatiques du second degr. On fait alors appel aux plans pour surfaces
de rponse. Ces plans utilisent des modles polynomiaux du second degr. Nous
tudierons les trois plus importants plans de ce type : les plans composites, les plans
de Box-Behnken et les plans de Doehlert.
Le modle mathmatique postul utilis avec les plans pour surfaces de rponse est
un modle du second degr avec interactions dordre 2 :
pour deux facteurs :
y = a0 + a1x1 + a2x2 + a12x1x2 + a11 x 21 + a22 x 22 + e
pour trois facteurs :
y = a0 + a1x1 + a2x2 + a3x3 + a12x1x2+ a13x1x3+ a23x2x3 + a11 x 21 + a22 x 22 + a33 x 23 + e
9.1 Prsentation des plans composites

Les plans composites se prtent bien au droulement squentiel dune tude. La
premire partie de ltude est un plan factoriel complet ou fractionnaire complt
par des points au centre pour vrifier la validit du modle PDAI (termes du
premier degr et termes dinteractions). Si les tests de validation sont positifs (la
rponse mesure au centre du domaine est statistiquement gale la rponse
calcule au mme point), ltude sachve le plus souvent, mais sils sont ngatifs,
on entreprend des essais supplmentaires pour tablir un modle du second degr.
Les essais supplmentaires sont reprsents par des points dexpriences situs sur
les axes de coordonnes et par de nouveaux points centraux. Les points situs sur
les axes de coordonnes sont appels les points en toile. Les plans composites
prsentent donc trois parties (Figure 9.1) :
Le plan factoriel : cest un plan factoriel complet ou fractionnaire deux niveaux
par facteurs. Les points exprimentaux sont aux sommets du domaine dtude.
179
9 Plans pour surfaces

de rponse
9.2 Prsentation des plans de Box-Behnken
Le plan en toile : les points du plan en toile sont sur les axes et ils sont, en
gnral, tous situs la mme distance du centre du domaine dtude.
Les points au centre du domaine dtude. On prvoit toujours des points exprimentaux situs au centre du domaine dtude, et cela aussi bien pour les plans
factoriels que pour les plans en toile.
Le nombre total n dessais raliser est la somme des essais du plan factoriel (nf ),
des essais du plan en toile (n) et des essais au centre (n0). Le nombre n des essais
dun plan composite est donn par la relation :
n = nf + na + n0
Facteur 2
+
+1
1
+1
Facteur 1
+
1
Figure 9.1 Plan composite pour ltude de deux facteurs. Les points factoriels sont en noirs,
les points en toile sont en gris clair, les points centraux sont en blanc.
Le nombre de niveaux est 5 pour chacun des facteurs et seulement 3 lorsque lon a
un plan composite faces centres.
9.2 Prsentation des plans de Box-Behnken

Box et Behnken ont propos en 1960 ces plans qui permettent dtablir directement
des modles du second degr. Tous les facteurs ont trois niveaux : 1, 0 et +1. Ces
plans sont faciles mettre en uvre et possdent la proprit de squentialit. On
peut entreprendre ltude des k premiers facteurs en se rservant la possibilit den
ajouter de nouveaux sans perdre les rsultats des essais dj effectus.
Le plan de Box-Behnken pour trois facteurs est construit sur un cube. Pour quatre
facteurs ce plan est construit sur un hypercube quatre dimensions. On place les
points exprimentaux non pas aux sommets du cube ou de lhypercube, mais au
milieu des artes ou au centre des faces (carrs) ou au centre des cubes. Cette
disposition a pour consquence de rpartir tous les points exprimentaux gale
distance du centre du domaine dtude, donc sur une sphre ou sur une hypersphre suivant le nombre de dimensions. On ajoute des points au centre du
domaine dtude.
180

de rponse
9.3 Prsentation des plans de Doehlert
Le plan de Box-Behnken pour trois facteurs est illustr par la figure 9.2. Le cube
possde 12 artes. On a lhabitude dajouter des points dexpriences au centre du
domaine dtude, en gnral trois. Le plan de Box-Behnken pour 3 facteurs possde
donc 12 + 3 essais, soit 15 essais. On pourra remarquer quavec 4 points au centre
au lieu de 3, on obtient un plan qui rpond au critre de presque-orthogonalit.
12
6
+
8
11
3
Facteur 3
4
2
13 15
10
Facteur 2
_
_
Facteur 1
Figure 9.2 Illustration du plan de Box-Behnken pour trois facteurs.
Il y a douze points dexpriences au milieu des artes du cube et trois points au centre.

Les points dexpriences des plans proposs par David H. Doehlert en 1970
remplissent de manire uniforme lespace exprimental. Pour deux facteurs les
points exprimentaux sont situs aux sommets dun hexagone rgulier et il y a un
point au centre (Figure 9.3). Ayant sept points exprimentaux, ce plan permet de
calculer au moins sept inconnues, donc sept coefficients. Comme les points exprimentaux sont rgulirement rpartis dans lespace exprimental, il sera facile
dtendre le plan vers nimporte quelle direction de lespace en ajoutant des points
qui seront, eux aussi, rgulirement rpartis.
Ces plans permettent galement lintroduction facile de nouveaux facteurs. Les
nouvelles expriences viendront complter les premires et aucune exprience ne
sera perdue. La seule prcaution prendre est de maintenir les facteurs non tudis
une valeur constante (niveau 0) pendant ltude des facteurs actifs.
Le tableau 9.1 est la traduction, sous forme de matrice dexpriences, de la figure 9.3.
La disposition des points selon la figure 9.3 conduit cinq niveaux pour le facteur
1 et trois niveaux pour le facteur 2. Avant dattribuer les numros aux facteurs, on
vrifiera quils sont compatibles avec ces nombres de niveaux.
181

de rponse
+ 0,866
4
+1
+1
- 1
0,5
+ 0,5
+1
0,866
Figure 9.3 Plan de Doehlert pour ltude de deux facteurs.

Les points sont rgulirement disposs sur un hexagone et il y a un point central.
Tableau 9.1 Plan de Doehlert pour deux facteurs.
Essai n
Facteur 1
Facteur 2
+1
+ 0,5
+ 0,866
0,5
+ 0,866
0,5
0,866
+ 0,5
0,866
3
0,866 = -------2
Si lon prouve quelques difficults, on peut toujours adopter un autre plan de

Doehlert en faisant tourner lhexagone. La figure 9.4 illustre une autre disposition
du mme plan aprs une rotation de 90. Cest maintenant le facteur 1 qui a 3 niveaux
et le facteur 2 qui en a 5.
182

de rponse
x
+1
+1
+1
x
0,866
+ 0,866
- 1
5
7
Figure 9.4 Autre disposition possible des points dun plan de Doehlert
pour ltude de deux facteurs. Les points sont toujours
rgulirement disposs dans lespace exprimental.
Tous les points du plan de Doehlert sont sur un cercle de rayon unit (en grandeurs
centres rduites). Le domaine dfini par les plans de Doehlert est un domaine
sphrique, un cercle dans un espace deux dimensions, une sphre dans un espace
trois dimensions, une hypersphre dans un espace plus de trois dimensions.
Si les rsultats cherchs ne sont pas dans le domaine dtude, on peut tendre ce
domaine dans la direction o lon a le plus de chances de trouver la solution
souhaite. Il suffit dajouter trois points dexpriences (Tableau 9.2) et lon
retrouve un nouveau plan de Doehlert (Figure 9.5). En effet, les points n 2, 1, 7,
8, 9, 10 et 3 forment un nouvel hexagone. On peut tendre le plan dexpriences
dans les autres directions.
Tableau 9.2 Points dextension du plan de Doehlert pour deux facteurs.
Essai n
Facteur 1
Facteur 2
+1,5
0,866
+2
10
+1,5
+0,866
183

de rponse
9.4 Exemple 12 : la rectification du contrematre

(exemple de plan composite)
+ 0,866
10
+1
- 1
0,5
+ 0,5
+1
0,866
Figure 9.5 Extension dun plan de Doehlert deux facteurs. Trois points suffisent pour
retrouver un nouveau plan de Doehlert.

Un contrematre nest pas content de ltat de surface des pices mtalliques qui
sont fabriques dans son atelier. Le dernier usinage, celui qui donne laspect final
la pice, est la rectification. Cest donc cette technique que le contrematre cherche
amliorer. Ltat de surface des pices est caractris par la rugosit et par le
nombre de pics par unit de longueur. Le contrematre serait enchant sil pouvait
obtenir des pices de rugosit infrieure 0,150 et un nombre de pics infrieur
50. Sil atteint cet objectif, ltat de surface de ses pices serait considr comme
parfait et ses clients auraient tout lieu dtre satisfaits.
Pour obtenir ltat de surface voulu, le contrematre a ralis des essais en se fiant
son bon sens et son exprience. Mais, toutes ses tentatives ont chou et les rsultats
semblent mme contradictoires. Tantt une augmentation de la vitesse de coupe
amliore la qualit, tantt elle la dtriore. Ne sachant plus que faire, le contrematre dcide de mettre en uvre les recommandations du stage de plans dexpriences quil vient de suivre.
La pice mtallique est fermement maintenue sur un support. Une meule arrache
une fine pellicule de mtal la surface de la pice. Cet outil est un disque abrasif
qui tourne grande vitesse et avance lentement en arrachant de petits copeaux de
mtal (Figure 9.6). Lpaisseur de mtal arrach chaque passe est rglable. La
184

de rponse

dernire passe est celle qui contribue le plus laspect final de la pice. Il faut alors
viter dexercer de trop fortes contraintes sur la meule et on nenlve quune trs
fine couche de matire.
Les rglages en usage dans latelier sont :
vitesse davancement (0,9 m/min) ;
vitesse tangentielle de coupe rapide (20 m/s).
Avance
Meule
Rotation
Pice usiner
Figure 9.6 Schma dusinage dune pice par rectification.
La meule avance en tournant et elle aplanit la surface.
m Rponses et objectifs de ltude
Les rponses choisies par lexprimentateur sont la rugosit et le nombre de pics

par unit de longueur (Figure 9.7). Les rponses sont dfinies ainsi :
Rugosit : la rugosit est mesure par une mthode normalise. Il faut obtenir
la valeur la plus faible possible. Une valeur infrieure 0,150 serait une russite.
Lcart-type de cette mesure est de 0,002 unit.
Pics par unit de longueur : on compte le nombre de pics par unit de longueur. Ce nombre doit tre le plus petit possible. On vise un nombre de pics
infrieur 50 par unit de longueur. Lcart-type de cette mesure est de deux units.
Pic
Rugosit
Figure 9.7 Grossissement de la surface rectifie. Lors de lusinage, des pics sont crs par arrachement de matire la surface de la pice. Suivant leur nombre et leur hauteur, ces pics sont
responsables de la rugosit et de laspect de la surface usine.
m Facteurs
Le contrematre retient deux facteurs :

Facteur 1 : vitesse davancement de la meule (en m/min).
Facteur 2 : vitesse tangentielle de coupe (en m/s). Cette vitesse est lie la
vitesse de rotation et au diamtre de la meule.
185

de rponse

De nombreux autres facteurs sont fixs : la forme et la matire de la meule, la

qualit dabrasion de la meule, le mtal travaill, la profondeur de la dernire passe
(0,02 mm), etc.
m Domaine dtude
Les niveaux haut et bas de chaque facteur sont dfinis comme lindique le tableau 9.3.
Facteur
Niveau
1,21
Niveau
1
Niveau
0
Niveau
+1
Niveau
+1,21
Vitesse davancement (1)
0,74
0,9
1,65
2,4
2,56
13,95
15
20
25
26,05
m Choix du plan exprimental
Le contrematre commence par un plan factoriel classique mais il souponne quil

sera oblig de poursuivre ltude par un plan pour surfaces de rponse. Il prvoit
donc deux points de contrle au centre du domaine dtude.
9.4.2 Exprimentation (plan factoriel)
Les rsultats des essais sont rassembls dans le tableau 9.4.

Tableau 9.4 Plan factoriel et rsultats.
186
Essai n
Avance
(1)
Coupe
(2)
Rugosit 1 000
Pics
194
77,8
+1
282
68,4
+1
120
65,3
+1
+1
91
96,1
233
63,8
235
61,9
Niveau 1
0,9
15
Niveau 0
1,65
20
Niveau 1
2,4
25

de rponse

9.4.3 Interprtation des rsultats du plan factoriel
Les rsultats des calculs figurent dans le tableau 9.5. Rappelons que les coefficients
sont calculs avec les quatre essais du plan et sans les points de contrle.
Effet
Rugosit 1 000
Pics
Constante
171,75
76,9
Avance (1)
14,75
5,35
Coupe (2)
66,25
3,8
12
29,25
10,05
m Vrification du modle PDAI
On vrifie la validit du modle du premier degr avec interactions en comparant la

rponse calcule au point de contrle avec la rponse mesure en ce mme point.
Pour la rugosit, la rponse calcule au centre du domaine est gale la constante
du modle et lon prend une marge de trois carts-types :
2
0 = 171,75 3 ------- = 171,75 3
4
Il y a donc 99,74 chances que la moyenne de la population de la rponse calcule
soit dans lintervalle [168,75 ; 174,75].
La rponse mesure est gale :
233 + 235
2
y0 = ------------------------ = 234 3 ------- = 234 4,24
2
2
Il y a donc 99,74 chances que la moyenne de la population de la rponse mesure
soit dans lintervalle [229,76 ; 238,24].
Les deux intervalles ne se recouvrent pas (Figure 9.8). On peut conclure avec une trs
grande probabilit de ne pas se tromper que les deux valeurs ne sont pas gales.
0,45
Densit de frquence
0,4
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
160 165 170 175 180 185 190 195 200 205 210 215 220 225 230 235 240 245 250
Rponses
Figure 9.8 Comparaisons des rponses mesures et calcules.
187

de rponse

On peut aussi employer la formule de comparaison des moyennes (voir annexe 2) :

0 y0
234
62,25
t = ----------------------- = 171,75
------------------------------- = ------------- = 35,94
1,732
2
2
1+2
a + y
0
0
La diffrence entre les deux rponses est de 35,94 carts-types de la diffrence. La
probabilit correspondante est tellement faible quelle correspond la certitude
que les deux valeurs ne sont pas gales.
La conclusion est que le modle PDAI ne convient pas et quil faut passer un
modle du second degr. Pour cela il faut ajouter des points en toile et des points
au centre.
m Position des points en toile
Cest un sujet qui a passionn de nombreux statisticiens et il existe des livres

entiers sur cette question. En effet, il faut savoir que la prcision des coefficients
du modle postul est influence par la position des points du plan dexpriences.
Selon que les points sont bien ou mal placs, on peut obtenir les coefficients avec
une bonne ou une mauvaise prcision. Avec les plans deux niveaux bass sur les
matrices dHadamard (plans factoriels complets, fractionnaires et plans de Plackett
et Burman), on est sr que les points sont toujours bien placs. Avec les plans du
second degr, il nen est plus de mme. Il faut choisir un critre de qualit pour les
coefficients. En fonction de ce critre, on calcule la meilleure position possible des
points dexpriences. On suppose que les points axiaux sont la mme distance
(en grandeurs centres rduites) du centre du domaine dtude et cette distance est
note a.
Par exemple, on peut vouloir que lerreur de prdiction soit la mme pour des
distances galement loignes du centre du domaine. Dans ce cas, on choisit le
critre disovariance par rotation. La valeur de a est gale :
14
= nf
Si lon veut que le plan composite satisfasse le critre disovariance par rotation il
faut placer les points en toile une distance a gale la racine quatrime du
nombre de points du plan factoriel.
On peut vouloir que les coefficients rpondent au critre de presque-orthogonalit,
il faut alors choisir a tel que :
n
1
2 --4-
n +n +n n)
4
f
0
f
f
= -------------------------------------------------------------
La valeur de a est fonction du nombre de points au centre, du nombre de points

du plan factoriel et du nombre de points du plan en toile. Le tableau 9.6 permet de
choisir la valeur de pour les cas les plus souvent rencontrs.
188

de rponse

Tableau 9.6 Valeur de en fonction du nombre de points factoriels (nf), en toile (n)
et centraux (n0) pour le critre de presque-orthogonalit.
Nombre de facteurs
Plan
22
23
24
25-1
25
26-1
26
nf
16
16
32
32
64
10
10
12
12
n0 = 1
1,215
1,414
1,547
1,596
1,724
1,761
n0 = 2
1,078
1,287
1,483
1,607
1,662
1,784
1,824
n0 = 3
1,147
1,353
1,547
1,664
1,724
1,841
1,885
n0 = 4
1,210
1,414
1,607
1,719
1,784
1,896
1,943
9.4.4 Plan complmentaire pour le second degr
Le contrematre prvoit de faire deux nouveaux points au centre. Pour que le plan
composite deux facteurs respecte le critre de presque-orthogonalit, il faut
choisir = 1,21 puisquil y a 4 points factoriels, 4 points en toile et 4 points au
centre. Le plan est excut et les rsultats figurent dans le tableau 9.7.
Tableau 9.7 Plan dexpriences complmentaire et rsultats.
Essai n
Avance
1
Coupe
2
Rugosit 1 000
Pics
1,21
154
52,3
+1,21
195
60,4
1,21
278
87,0
10
+1,21
122
95,7
11
232
61,5
12
230
60,5
Niveau 1,21
0,74
13,95
Niveau 0
1,65
20
Niveau +1,21
2,56
26,05
189

de rponse

9.4.5 Interprtation des rsultats du plan composite
Linterprtation est conduite en runissant les deux plans : le plan factoriel

initial et le plan en toile complmentaire. Pour cette interprtation les points
au centre ne sont plus des points de contrle. Ils sont pris en compte dans le calcul
des coefficients.
m Modlisation
Le modle mathmatique postul est un modle du second degr. Le mme modle

est utilis pour les deux rponses :
y = a0 + a1x1 + a2x2 + a12x1x2 + a11 x 21 + a22 x 22 + e
Coefficients
Rugosit 1 000
Pics
a0 (constante)
232,4
62,1
a1
15,7
4,5
a2
65,5
3,7
a12
29,2
10
a11
39,2
4,3
a22
21,8
19,6
Les coefficients du tableau 9.8 permettent dcrire le modle de la rugosit

(R2 = 0,9993) et celui du nombre de pics (R2 = 0,9937) en units codes :
yRugosit = 232,4 + 15,7x1 65,5x2 29,2x1x2 39,2 x 21 21,8 x 22
yPics = 62,1 + 4,5x1 + 3,7x2 + 10,0x1x2 4,3 x 21 + 19,6 x 22
m Reprsentations graphiques des rsultats
Les deux modles tablis peuvent servir illustrer les rsultats dans le domaine
dtude.
M Analyse des rsidus
On porte la valeur des rsidus en fonction des rponses prvues (Figure 9.9). Les
points semblent rpartis au hasard et il napparat pas de structures nettes comme
sur la figure 5.10 du chapitre 5. Dans ces conditions, on considre quil ny a plus
dinformation extraire des donnes.
190

de rponse

Rugosit
3
2,5
2
1,5
Rsidus
1
0,5
0
0,5
1
1,5
2
2,5
3
80
100
120
140
160
180
200
220
240
260
280
300
Rponses prvues
Nombre de pics
3
2,5
2
1,5
Rsidus
1
0,5
0
0,5
1
1,5
2
2,5
3
50
60
70
80
90
100
Rponses prvues
Figure 9.9 Diagramme des rsidus pour les modles Rugosit et Pics.
M Surfaces de rponse
Le modle de la rugosit permet de tracer la surface de rponse correspondante

(Figure 9.10). On constate que lobjectif dune rugosit infrieure 0,150 peut tre
atteint dans le domaine dtude. Il suffit de choisir une vitesse davance et une vitesse
de coupe qui, ensemble, donnent une rponse se situant sous la ligne de niveau 150.
Le modle des pics permet de tracer la surface de rponse (Figure 9.11). On constate que lobjectif dun nombre de pics infrieur 50 peut tre atteint en limite du
domaine dtude.
191

de rponse

100
Rugosit
250
200
150
100
50
150
100 50
200
1
250
0,5
0
0,5
Rugosit
250
200
150
100
50
Coupe (2)
1,5
0,5
0,5
1,5
Avance (1)
Figure 9.10 Surface de rponse de la rugosit. Cette surface prsente un maximum

mais cela na pas dintrt ici puisque lon cherche une rugosit infrieure 0,150.
(Les valeurs de rugosit ont t multiplies par 1 000.)
Pics
120
100
70
50
Pics
120
90
140
140
130
110
80
60
40
100
80
60
40
1,5
90
70
0,5
0,5
0
Avance (1)
0,5
Coupe (2)
0,5
1
1
1,5
Figure 9.11 Surface de rponse des pics.

Un nombre de pics infrieur 50 peut tre atteint.
lexamen des deux surfaces de rponse le contrematre saperoit que son objectif
peut tre atteint. Il doit choisir un rglage de la vitesse de coupe et de la vitesse
davance qui tienne compte des contraintes portant sur les deux rponses. Pour
avoir une bonne prcision, il trace les courbes disorponses sur un mme graphique
(Figure 9.12).
192

de rponse

1,2
26
100
90
150
50
80
0,8
24
100
100
70
Vitesse
de coupe
(2)
22
0,4
20
18
0,4
16
0,8
200
50
60
250
60
70
80
14
1,2
1,2
0,75
0,8
0,9
1,05
0,4
1,2
1,35
0
1,5
1,65
0,4
1,8
1,95
0,8
2,1
2,25
1,2
2,4
2,55
Avance (1)
Figure 9.12 Courbes disorponses pour la rugosit (traits pleins)
et pour le nombre de pics (traits pointills).
Il constate quil existe une toute petite fentre correspondant (en units centres
rduites) :
vitesse davance = 1,2
vitesse de coupe = 0,2
m Confirmation des rsultats
Comme ce rglage se trouve en extrmit de domaine, la prcision de la prvision

nest pas bonne. Il ne peut pas encore donner de directives ses ouvriers. Le
contrematre dcide de faire des essais de confirmation. Il calcule en units normales,
la vitesse de coupe et la vitesse davance correspondant aux valeurs centres rduites :
vitesse davance = 0,75 m/min
vitesse de coupe = 21 m/s
Il fait raliser plusieurs pices selon ces rglages et obtient des surfaces qui lui
conviennent parfaitement. Il vrifie par des mesures de la rugosit et du nombre
de pics que les prvisions des modles sont satisfaites.
Ltat de surface des pices rectifies peut tre amlior si lon choisit correctement
les conditions dusinage. Pour une profondeur de passe de 0,02 mm, la vitesse
193

de rponse
9.5 Exemple 13 : un yoghourt doux

(exemple de plan de Box-Behnken)
davance de la meule doit tre de 0,75 m/min et sa vitesse tangentielle doit tre de
21 m/s. Ces rglages sont stricts car ils sont placs sur le flanc des surfaces de
rponse et par suite instables. Ces rglages ne sont pas robustes et les ouvriers
devront faire trs attention et respecter les points de consigne. Une augmentation
de la vitesse davance dtriore ltat de surface. Une diminution de la vitesse
davance amliorerait ltat de surface mais nest pas conomique. Une augmentation
ou une diminution de la vitesse tangentielle de coupe dtriore ltat de surface.
Le contrematre dcide donc de donner de nouvelles directives dusinage qui devront
tre parfaitement respectes. Il appose la note suivante au tableau daffichage :
Rectification : les conditions finales dusinage devront tre imprativement :
vitesse davance = 0,75 m/min
vitesse tangentielle de coupe = 21 m/s
profondeur de passe = 0,02 mm

Dans un laboratoire industriel un chercheur est charg dtudier linfluence de

plusieurs facteurs susceptibles de diminuer lacidit des yoghourts. Lacidit est
produite par les ferments lactiques qui transforment le lactose en acide lactique.
Cest la forte concentration de cet acide qui donne le got particulier des
yoghourts bulgares. Lobjectif de ltude est de diminuer le got acide de ces laits
ferments. cet effet, on prpare un lait stabilis partir dun stabilisant naturel
qui attnue les variations dacidit du produit final, le yoghourt, malgr la prsence
des ferments lactiques.
La premire tape du procd (Figure 9.13) consiste diluer le lait brut par de
leau, opration ncessaire pour pouvoir traiter ensuite le lait brut.
STABILISANT
EAU
LAIT BRUT
CONCENTRATION
LAIT PRT LEMPLOI
LACTOSE
+
EAU
Figure 9.13 Schma de prparation du lait servant fabriquer des yoghourts

dont lacidit est rduite.
194

de rponse

La seconde tape du procd est une concentration qui limine une partie du lactose
et de leau. Ayant moins de lactose leur disposition, les ferments produiront
moins dacide lactique. Les deux premires tapes ont modifi le lait qui doit tre
stabilis. Cest pourquoi le lait subit un nouveau traitement. On injecte un stabilisant. Cette injection ne modifie pas le volume du lait trait. On obtient, en fin de
procd, un lait stabilis et prt lemploi.
m Facteurs
Les trois facteurs retenus par lexprimentateur sont :

Facteur 1 : taux de dilution. Cest le rapport volume deau ajoute/volume de
lait brut.
Facteur 2 : pH li linjection de stabilisant. On ajoute la quantit ncessaire de
stabilisant pour obtenir un pH donn en fin dinjection. Cest le pH qui est
contrl.
Facteur 3 : taux de concentration du lait. Cest le rapport volume de lait brut/
volume de lait stabilis. Le volume de lait stabilis est infrieur au volume de
lait brut. Ce rapport est donc plus grand que lunit.
m Domaine dtude
Facteur
Niveau -1
Niveau +1
Dilution (1)
0,5
pH (2)
Concentration (3)
1,5
2,5
m Rponses
La rponse choisie par lexprimentateur est l appauvrissement acide qui mesure

la perte en acide lactique. Lappauvrissement acide est dautant meilleur que sa
valeur est plus leve. On cherchera donc des conditions de prparation du lait qui
conduisent une forte valeur de cette rponse. Lobjectif est dobtenir un lait stabilis
ayant un appauvrissement acide au moins gal 48.
m Choix du plan exprimental
Lexprimentateur sattend des variations de la rponse correspondant un

modle du second degr. Aprs avoir examin son problme en dtail, il retient un
plan de Box-Behnken qui permet dtablir le modle dsir et ne ncessite quun
nombre restreint dessais.
195

de rponse

Les rsultats des essais sont rassembls dans le tableau 9.10. Les essais ont t
reclasss dans lordre classique de prsentation du plan de Box-Behnken. Les chiffres entre parenthses indiquent lordre dexcution des essais. Par exemple, lessai
n 1 (5) est lessai n 1 du plan classique de Box-Behnken et il a t excut en
cinquime.
Tableau 9.10 Matrice dexpriences et rsultats exprimentaux.
196
Essai n
Dilution
(1)
pH
(2)
Concentration
(3)
Rponses
1 (5)
51,3
2 (9)
42,6
3 (7)
42,2
4 (12)
50,4
5 (6)
40,7
6 (2)
41,5
7 (13)
41,3
8 (10)
40,8
9 (4)
35,2
10 (11)
35,3
11 (3)
39,5
12 (14)
39,8
13 (1)
50,8
14 (8)
50,1
15 (15)
49,4
Niveau 1
0,5
1,5
Niveau 0
1,25
5,5
Niveau +1
2,5

de rponse


m Modlisation
Le modle mathmatique postul est un modle du second degr :

y = a0 + a1x1 + a2x2 + a3x3 + a12x1x2 + a13x1x3 + a23x2x3 + a11 x 21 + a22 x 22 + a33 x 23 + e
Linterprtation commence par le calcul des coefficients du modle (Tableau 9.11).
Coefficients
Appauvrissement
Coefficients
Appauvrissement
Constante a0
50,10
a12
4,22
a13
0,32
a1
0,07
a23
2,20
a2
0,11
a11
0,07
a3
0,06
a22
3,55
a33
9,10
Ces coefficients permettent dtablir le modle du second degr (R2 = 0,9968) :

y = 50,1 0,07x1 0,11x2 + 0,06x3 + 4,22x1x2
0,32x1x2 + 2,2x2x3 + 0,07 x 21 3,55 x 22 9,1 x 23

Les rptitions au centre permettent de calculer une estimation de lerreur exprimentale (erreur pure). La somme des carrs de lerreur exprimentale est 0,98 avec
deux degrs de libert (Tableau 9.12). On trouve un cart-type de 0,7.
La somme des carrs due au manque dajustement est de 0,3825 avec trois degrs
de libert. Lerreur dajustement est de 0,357, elle est donc plus faible que lerreur
pure. On ne pourra pas, statistiquement parlant, diffrencier ce modle dautres
modles mathmatiques ayant, eux aussi, une erreur dajustement de lordre de
grandeur de lerreur exprimentale.
Tableau 9.12 Comparaison du manque dajustement et de lerreur exprimentale.
Origine des variations
Somme des carrs
Degrs de libert
Carrs moyens
Manque dajustement
0,3825
0,1275
Erreur pure
0,9800
0,4900
Rsidus
1,3625
0,2725
197

de rponse

Analyse des rsidus : la dispersion des rsidus ne prsente pas vraiment de tendance
particulire (Figure 9.14). Rien de spcial napparat sur ce graphique et les rsidus
semblent bien rpartis au hasard.
Appauvrissement acide
1
0,75
0,5
Rsidus
0,25
0
0,25
0,5
0,75
1
30
35
40
45
50
55
Rponses prvues
Figure 9.14 Diagramme des rsidus de la rponse Appauvrissement acide .
Le modle que nous avons tabli explique bien les rsultats exprimentaux. Tous les
tests dvaluation le confirment. Mais, avant dutiliser ce modle, il faut le valider.
m Interprtation des rsultats
Lobjectif est dobtenir un appauvrissement acide suprieur 48. En regardant le

modle, on voit immdiatement que cet objectif peut tre atteint dans le domaine
dtude puisquau point central lappauvrissement est de 50. On recherche la rgion
du domaine dtude o cette condition est respecte.
Dun point de vue conomique, on a intrt choisir la dilution la plus faible
possible, niveau 1. Cest, en effet, pour ce niveau que lon ajoute le moins deau
pour une quantit donne de lait brut. Par consquent, les frais de fabrication
seront moins levs puisquil y aura moins deau extraire. La dilution choisie est
donc 0,5.
Pour trouver le pH et la concentration, regardons la figure 9.15. Les courbes
disorponses indiquent quil y a une rponse maximale. Les coordonnes de ce
maximum sont obtenues avec un logiciel de plans dexpriences :
x 2 = 0,61
x 3 = 0,05
La rponse prdite en ce point est 51,60.
Si lon revient aux grandeurs naturelles, les conditions optimales sont les suivantes :
Le taux de dilution sera rgl 0,5 (niveau 1). Cela signifie que lon ajoutera,
en dbut de traitement, un volume deau gal la moiti du volume de lait brut.
198

de rponse
9.6 Exemple 14 : linsecticide

(exemple de plan de Doehlert)
1 40
Concentration (3)
40
0,5
50
45
0,5
40
1
1
35
0,5
0
pH (2)
0,5
Dilution 0,5
Figure 9.15 Courbes disorponses dans le plan pHconcentration pour une dilution de 0,5.
Le pH sera fix 5,8 (niveau 0,61). On ajoutera la quantit ncessaire de

stabilisant pour obtenir un pH de 5,8 en fin dinjection.
Le taux de concentration du lait sera presque 2 (niveau 0,05). Le taux de
concentration du lait est dfini par le rapport (volume de lait brut/volume de lait
stabilis). Le volume de lait stabilis sera gal la moiti du volume de lait brut.
Le lait stabilis aura le meilleur appauvrissement acide possible si :

on dilue le lait brut aux proportions suivantes : un volume deau pour deux
volumes de lait brut ;
on arrte linjection de stabilisant pH = 5,8.
Dans ces conditions, on obtiendra un volume de lait stabilis pour deux volumes
de lait brut et lappauvrissement acide sera au moins de 50.

Un fabricant dinsecticide souhaite adapter son produit aux dsirs de la clientle. Il

lui faut quilibrer son produit, cest--dire mettre les justes concentrations des
diffrents ingrdients pour obtenir les meilleurs rsultats. Il tudie les trois produits
de base qui constituent le produit commercial :
linsecticide lui-mme : cest le produit mortel qui tue les nuisibles ;
199

de rponse

le knock down : cest une substance qui endort rapidement la vermine ;

le synergiste : cest un compos qui prpare et renforce laction de linsecticide.
Ces trois produits sont dilus dans un compos support qui les maintient en
suspension et facilite leur vaporisation au moment de lemploi. Un parfum est
ajout pour masquer lodeur peu agrable des produits de base.
Le responsable retient, comme facteurs, les concentrations de chacun des produits

de base :
Facteur 1 : concentration en insecticide.
Facteur 2 : concentration en knock down.
Facteur 3 : concentration en synergiste.
Facteur
Niveau 1
Niveau 0
Niveau +1
Insecticide (1)
0,01 %
0,03 %
0,05 %
Knock down (2)
0,1 %
0,4 %
0,7 %
Synergiste (3)
0%
1%
2%
m Rponses
Les rponses choisies par lexprimentateur sont le M24 et le KT50 :

M24 : cest le pourcentage de nuisibles morts au bout de 24 heures. Lobjectif est
dobtenir la plus grande valeur possible. On vise au moins 95 % et lon cherchera
plus si possible.
KT50 : cest le temps, en minutes, au bout duquel 50 % de la population
tmoin est endormie. Lobjectif est dobtenir le plus faible KT50 possible. Un
KT50 de 5 min ou moins serait excellent. Un KT50 compris entre 5 et 10 min
serait un bon rsultat.
m Plans dexpriences
Les biologistes savent quil faut sattendre des surfaces de rponse du second
degr. Un plan de Doehlert pour trois facteurs semble parfaitement convenir.
Les trois facteurs insecticide , knock down et synergiste sont tudis. Les
exprimentateurs prvoient trois points au centre. Les rsultats des essais sont
rassembls dans le tableau 9.14.
200

de rponse

Tableau 9.14 Plan dexpriences et rsultats.
Essai n
Insecticide
(1)
Knock down
(2)
Synergiste
(3)
KT50
M24
11
75
+1
15
57
+0,5
+0,866
11
56
0,5
+0,866
65
60
0,5
0,866
14
66
+0,5
0,866
15
72
10
75
0,5
+0,289
+0,816
91
10
0,577
+0,816
99
11
+0,5
+0,289
+0,816
10
81
12
0,5
0,289
0,816
11
72
13
+0,577
0,816
81
14
+0,5
0,289
0,816
11
80
15
12
74
Niveau 1
0,01 %
0,1 %
0%
Niveau 0
0,03 %
0,4 %
1%
Niveau +1
0,05 %
0,7 %
2%

m Calcul des coefficients
On conduit les calculs pour chacune des deux rponses (Tableau 9.15 illustr par
la Figure 9.16). On constate de trs fortes courbures pour les coefficients a11 et a33
du M24 et pour le coefficient a33 du KT50.
201

de rponse

Tableau 9.15 Coefficients des modles M24 et KT50 (units codes).

Coefficients
M24
KT50
Constante a0
74,7
11
a1
1,4
3,5
a2
4,8
3,32
a3
7,7
2,04
a12
8,7
2,31
a13
7,9
4,08
a23
9,8
0,71
a11
16,2
0,50
a22
7,8
0,50
a33
20
4,25
20
15
10
5
0
M 24
10
15
20
1
12
13
23
11
22
33
5
4
3
2
1
0
1
2
3
4
5
KT 50
23
12
13
11
22
33
Figure 9.16 Diagrammes barres des coefficients des modles du M24 et du KT50.
202

de rponse

m Modlisation
Do les modles (units codes) du M24 (R2 = 0,9995) et du KT50 (R2 = 0,983) :
yM24 = 74,7 1,4x1 4,8x2 + 7,7x3 8,7x1x2 7,9x1x3 9,8x2x3
16,2 x 21 7,8 x 22 + 20 x 23
yKT50 = 11 + 3,50x1 3,32x2 2,04x3 + 2,31x1x2 + 4,08x1x3 + 0,71x2x3
+ 0,50 x 21 + 0,50 x 22 4,25 x 23
M 24
100
75
50
1
0,8
0,8
0,8
0,8
KT 50
15
10
Insecticide
Knock down
Synergiste
Figure 9.17 Variation des rponses en fonction des facteurs.
On constate que le M24 est maximal pour une teneur en synergiste de +0,816,
cest--dire pour une concentration de 1,8 %. Lobjectif tant de faire disparatre le
plus possible de vermine, cest cette concentration qui sera adopte. Avant
dutiliser les modles prcdents, on effectue une analyse des rsidus et lon prvoit
des expriences de contrle pour vrifier la validit des conclusions.
203

de rponse

m Analyse des rsidus
Rien danormal napparat sur le graphique des rsidus (Figure 9.18).

1
0,75
0,5
0,25
0
M 24
0,2 5
0,5
Rsidus
0,75
1
50
60
70
80
90
100
1,0
0,5
0,0
KT 50
0,5
1,0
0
10
15
20
Rponses prvues
Figure 9.18 Diagramme des rsidus pour les modles M24 et KT50.
m Reprsentation graphique des rsultats
Dans le modle du M24, remplaons x3 par la valeur +0,816. On obtient ainsi le

modle du M24 pour le plan x3 = +0,816 :
yM24 = 94,3 7,8x1 12,8x2 8,7x1x2 16,2 x 21 7,8 x 22
Ce modle permet de tracer la surface de rponse (Figure 9.19). On constate que
lobjectif peut tre atteint. Les prvisions obtenues avec le modle montrent que lon
peut dpasser une mortalit de 90 %. La mortalit la plus leve est atteinte pour :
x1 = 0,02 ou insecticide 0,03 %
x2 = 0,8 ou knock down 0,16 %
La rponse est alors gale 99,5 %.
Traons la surface de rponse du KT50 (Figure 9.20) pour le mme niveau de x3,
soit +0,816 (1,8 % de synergiste). Le modle est :
yKT50 = 6,6 + 6,8x1 2,7x2 + 2,3x1x2
204

de rponse

100
90
80
M24
M24
80
100
70
80
60
60
50
40
60
40
1
0,5
0,5
0
0
Knock down (2)

0,5
Insecticide (1)
0,5
1
Figure 9.19 Surface de rponse du M24 pour une concentration

de 1,8 % en synergiste (niveau 0,816).
15
KT50
0
2
4
15
10
-4
-2
KT50
10
5
10
12
5
10
5
5
10
1
0,5
0,5
0
0
Knock down (2)

0,5
Insecticide (1)
0,5
1
Figure 9.20 Surface de rponse du KT50

pour une concentration de 1,8 % en synergiste.
On peut tracer sur un mme graphique les courbes isorponses pour le M24 et le
KT50 (Figure 9.21). Le KT50 est lgrement infrieur 10 minutes lorsque le
M24 vaut 99,5 %.
205

de rponse

0,7
50
0,6
60
80
0,5
0,5
Knock
down (2)
70
90
0,4
10
5
0,3
0,5
0,2
0,1
1
1
0,01
0,5
0,5
0,02
0,03
0,04
0,05
Insecticide (1)
Figure 9.21 Courbes disorponses du KT50 (hyperboles en traits pointills)
et du M24 (ellipses en traits pleins) dans le plan x3 = 0,816.
Le modle du M24 permet de prciser la rgion o lon peut trouver une bonne
mortalit. La composition du produit commercial, ce stade de ltude, est :
Concentration en insecticide : 0,03 % (niveau 0).
Concentration en knock down : 0,16 % (niveau 0,8).
Concentration en synergiste : 1,80 % (niveau +0,8).
Avec cette composition on peut esprer un KT50 lgrement infrieur 10 min et
un M24 largement suprieur 95 % (Figure 9.21). Les objectifs fixs au dpart de
ltude peuvent tre atteints. Des expriences de contrle ont t lances et ont
confirm les conclusions de ltude.
206
10 PLANS DE MLANGES
Dans les plans dexpriences classiques (plans factoriels, plans pour surfaces de
rponse) les facteurs sont indpendants. Cela signifie que lon peut choisir en
toute libert le niveau dun facteur quels que soient les niveaux dj attribus aux
autres facteurs. Par exemple, si, pour un plan 24, on a choisi les niveaux des trois
premiers facteurs, on pourra encore choisir librement les niveaux du quatrime
facteur. Cette libert nexiste pas lorsque lon tudie des mlanges car, en gnral,
on tudie les rponses en fonction des proportions des constituants du mlange.
Dans ce cas les facteurs dtude sont les proportions des constituants du mlange.
Comme la somme de ces proportions est toujours gale 100 %, le pourcentage
du dernier constituant est impos par la somme des pourcentages des premiers
composs du mlange. Dans cette situation les facteurs ne sont pas indpendants
et cela entrane des problmes particuliers.
La mthodologie de mise en forme de ltude et la conduite des essais sont tout
fait comparables celles des plans dexpriences classiques.
Il faut bien se rendre compte quil y a plan de mlanges lorsque la rponse tudie
dpend des proportions des constituants du mlange et non des quantits de mlange
utilises. Par exemple, la recette dun cocktail est une indication de la proportion des
diffrents ingrdients. La mise au point du cocktail en faisant varier les proportions des produits est la ralisation dun plan de mlanges. En revanche, la
consommation du cocktail en plus ou moins grande quantit (mais qui doit rester
raisonnable car labus dalcool nuit gravement la sant) ne fait plus partie des
plans de mlanges. Si la rponse dpend de la quantit du mlange, il sagit alors
de plans dexpriences classiques pour lesquels le choix des niveaux est libre.
Nous commencerons par examiner le problme de la non-indpendance des
facteurs qui est la base de la distinction entre les plans de mlanges et les plans
dexpriences classiques. La non-indpendance des facteurs est exprime par la
contrainte fondamentale des mlanges.
10.1 Contrainte fondamentale des mlanges

Soit un mlange ayant n constituants. Le premier constituant reprsente un certain
pourcentage du mlange, le second constituant un autre pourcentage du mlange, etc.
Ainsi, chaque constituant participe pour une certaine part au mlange total. Mais
lensemble des constituants du mlange forme un tout et la somme de leurs teneurs
est gale 100 %. Lorsque lon a dfini les proportions des n 1 premiers constituants, la proportion du dernier ne peut plus tre choisie, elle est dj dtermine.
207
10 Plans de mlanges
Si lon note xi la teneur en constituant i, la somme des teneurs de tous les constituants
du mlange satisfait la relation :
i=n
xi
= 100 %
i=1
La teneur de chaque constituant reste comprise entre 0 et 100 %. Lorsquon augmente

la teneur de lun des constituants, la teneur des autres est automatiquement diminue
pour que la somme de toutes les teneurs reste gale 100 %.
Si, au lieu dutiliser les pourcentages, on ramne la somme des teneurs des diffrents
constituants lunit, on crira :
i=n
xi
= 1
i=1
Cette relation sappelle la contrainte fondamentale des mlanges. Cest cause de

cette contrainte que les mlanges doivent tre tudis part car les reprsentations
gomtriques des plans de mlanges sont diffrentes des reprsentations utilises
pour les plans dexpriences classiques et les modles mathmatiques sont eux
aussi profondment modifis.

10.2.1 Mlange deux constituants
Soit x1 la teneur du premier constituant et x2 la teneur du second. Adoptons la

reprsentation cartsienne : laxe Ox1 est orthogonal laxe Ox2. Les axes sont gradus
en proportions variant de 0 1. Un mlange quelconque contenant xa de A et xb
de B est reprsent par un point situ lintersection des coordonnes xa et xb
(Figure 10.1). Ce point qui reprsente un mlange est appel soit point de composition,
soit point de mlange, soit tout simplement point.
Produit B
1,00
0,75
Mlange
0,50
0,25
Produit A
0,00
0,25 x a 0,50
0,75
1,00
Figure 10.1 Reprsentation dun mlange dans un systme daxes cartsiens.
208
10 Plans de mlanges
La contrainte des mlanges introduit une relation entre xa et xb :

xa + xb = 1
que lon peut crire :
xb = xa + 1
Cette dernire relation exprime que les points de coordonnes xa et xb sont sur une
droite de pente 1, coupant laxe du produit A au point dabscisse 1,00 (point A
sur la figure 10.2) et laxe du produit B au point dordonne 1,00 (point B sur la
figure 10.2). Les compositions xa et xb variant entre 0 et 1, il ny a que le segment AB
qui soit utile. Toutes les compositions possibles des mlanges des deux produits A
et B sont reprsentes par les points de ce segment de droite.
Produit B
B
1,00
Mlange 1
0,75
Figure 10.2 Les compositions

des mlanges deux constituants
peuvent tre reprsentes par les
points du segment de droite AB.
0,50
Mlange 2
0,25
A
0,00
0,25
0,50
0,75
Produit A
1,00
On peut donc ne conserver que ce segment de droite et abandonner les axes Ox1
et Ox2. Le produit pur A est reprsent par lune des extrmits du segment AB.
Le produit B est reprsent par lautre extrmit. Ce segment porte une double
graduation (Figure 10.3), celle des teneurs du premier produit et celle des teneurs
du second produit. La lecture de la composition des mlanges sur ce segment demande
un certain apprentissage. Elle se lit la fois de droite gauche et de gauche droite.
10.2.2 Lecture du diagramme des mlanges binaires
Le segment de la figure 10.3 reprsente les mlanges des deux constituants A et B.

Le produit A est droite et le produit B est gauche. La graduation infrieure est
celle du produit A. Elle varie de 0 gauche 1 droite. La graduation suprieure
est celle du produit B. Elle varie de 0 droite 1 gauche.
chelle du produit B
1,00
0,75
0,50
0,25
0,00
B
0,00
0,25
0,50
0,75
1,00
chelle du produit A
Figure 10.3 Reprsentation des mlanges deux constituants sur un segment de droite.
209
10 Plans de mlanges
Les chelles se lisent, lune dans un sens, lautre dans lautre sens. La somme des
teneurs, en un point de lchelle, est gale lunit.
Mlange 1
1,00
chelle du produit B
0,75
0,50
0,25
0,00
A
0,00
0,25
0,50
chelle du produit A
0,75
1,00
Mlange 2
Figure 10.4 Le mlange 1 contient 20 % de A et 80 % de B.

Le mlange 2 contient 77 % de A et 23 % de B.
Un premier mlange (mlange 1) est illustr par un point situ 20 % de A et

80 % de B. Ce point est prs de B et loin de A, ce qui est normal puisquil y a plus
de B que de A dans le mlange (Figure 10.4). Un second mlange (mlange 2) est
illustr par un point situ 77 % de A et 23 % de B. Ce point est prs de A
puisque cest le constituant le plus important. On peut supprimer lune des deux
chelles puisque la somme des teneurs en un point est toujours gale 1. Connaissant
lune des teneurs, une simple soustraction donne la teneur complmentaire. Cest
en gnral ce qui est fait.
10.2.3 Lecture du diagramme des mlanges ternaires
Un raisonnement semblable celui que nous avons tenu pour deux constituants
montre que lon peut reprsenter les mlanges ternaires laide dun triangle quilatral. Les produits purs sont aux sommets du triangle quilatral. Les mlanges
binaires sont reprsents par les cts du triangle. Par exemple le ct gauche AB du
triangle (Figure 10.5) reprsente les compositions des mlanges des seuls produits A
et B ; et ces mlanges ne contiennent pas de produit C.
Chaque ct du triangle quilatral est gradu de 0 1. On na laiss que lchelle
dun seul produit sur chaque ct. Lchelle de lautre produit se dduit par
complment 1. Le ct AB est gradu pour le produit A : 1 est au point A et 0 au
point B. Cest lchelle du produit A. Le ct BC est gradu pour le produit B : 1
est au point B et 0 est au point C. Le ct CA est gradu pour le produit C : 1 est
au point C et 0 est au point A.
Un point de la surface intrieure du triangle quilatral reprsente un mlange
ternaire. Les compositions de chaque produit se lisent sur les cts du triangle. La
teneur en produit A se lit sur le ct AB qui est lchelle du produit A. On projette
le point M sur AB paralllement BC (ct oppos A). De mme la teneur en B
se lit sur lchelle de B (ct BC) en projetant le point M sur BC paralllement
AC (ct oppos B). Enfin la teneur en C se lit sur lchelle de C (ct AC) en
projetant le point M sur AC paralllement AB (ct oppos C).
210
10 Plans de mlanges
A 0,00
1,00
0,25
chelle
produit A
0,75
chelle
produit C
0,50
0,50
xa
0,25
Mlange
1,00
c
0,75
0,00
0,75
0,25
0,50
1,00
0,00
chelle produit B
Figure 10.5 Reprsentation des mlanges trois constituants laide dun triangle quilatral.
Les teneurs respectives des trois constituants dans le mlange sont donnes par les
relations :
bM = Ba = teneur en A dans le mlange M
cM = Cb = teneur en B dans le mlange M
aM = Ac = teneur en C dans le mlange M
Les proprits gomtriques du triangle quilatral assurent le respect de la
contrainte fondamentale des mlanges :
Ma + Mb + Mc = Ac + Ba + Cb = AB = AC = BC = 1
10.2.4 Mlanges quatre constituants
Les quatre produits purs sont aux sommets dun ttradre rgulier (Figure 10.6).
Les mlanges binaires sont reprsents par les cts du ttradre. Les mlanges ternaires
sont reprsents par les faces du ttradre qui sont des triangles quilatraux. Les
mlanges quaternaires sont reprsents par les points du volume intrieur du ttradre. On obtient les compositions dun mlange en projetant le point reprsentatif
du mlange sur les faces et sur les cts du ttradre.
Produit D
Mlange
Produit C
Produit A
Produit B
Figure 10.6 Reprsentation des mlanges quatre constituants par un ttradre rgulier.
211
10 Plans de mlanges
Afin de ne pas commettre derreur dans la lecture des compositions, on fera attention aux conventions qui ont t adoptes pour graduer les cts du ttradre.
Au-del de quatre facteurs, la reprsentation gomtrique nest plus possible. On
utilise alors uniquement la reprsentation en tableaux.

Les plans de mlanges classiques supposent que les produits purs ont la proprit
dusage recherche et quil ny a aucune contrainte qui pse sur eux.
Lusage est de classer les principaux types de plans de mlanges suivant lemplacement
des points reprsentatifs des compositions. On distingue :
les plans en rseaux,
les plans de mlanges centrs,
les plans de mlanges centrs augments.
10.3.1 Plans en rseaux
Les plans en rseaux (Simplex lattice designs dans la littrature anglo-saxonne) sont
les premiers plans de mlanges qui ont t introduits. Ils ont t prsents par
Scheff dans les annes 1958-1965. Les points de composition sont rgulirement
repartis dans lespace dtude. Pour les mlanges trois constituants, le plus simple
des plans de mlanges en rseaux ne contient que les trois produits purs. Les points
reprsentatifs de ces produits sont aux sommets du triangle quilatral (Figure 10.7).
Les coordonnes de ces points sont 0 et 1.
A
Figure 10.7 Plan de mlanges ne comportant que les trois produits purs.
Le plan qui ne fait intervenir que les produits purs peut tre enrichi par les points
de composition moyenne, cest--dire par les mlanges contenant 50 % de chacun
des produits. Ces points de composition moyenne se situent au milieu des cts
du triangle. Leurs coordonnes sont 0 et 1/2.
Les points n 4, 5 et 6 forment un rseau. La longueur unit des cts du triangle
a t divise par 2 et les coordonnes de ces points sont gales 1/2. Si lon dsire
un rseau de points plus serr, il faut diviser la longueur des cts par trois. Le pas
de ce nouveau rseau est 1/3. On peut continuer construire ainsi des rseaux de
212
10 Plans de mlanges
Figure 10.8 Plan de mlanges en rseaux (Simplex lattice designs)

comportant les trois produits purs et les mlanges moiti-moiti.
Ce plan est not {3,2}.
plus en plus serrs en divisant lunit par m. Le pas du rseau est de 1/m et les
coordonnes des points exprimentaux sont 0, 1/m, 2/m, 3/m jusqu m/m = 1.
Pour nommer ces plans on adopte la convention suivante : on utilise deux chiffres,
le premier correspond au nombre de constituants du mlange et le second correspond au diviseur utilis pour tablir le pas du rseau. Ces deux chiffres sont
spars par une virgule et mis entre deux accolades. Ici, le plan de la figure 10.8 est
un plan {3, 2}, soit 3 constituants et un pas de 1/2. Le plan de la figure 10.9 est un
plan {3, 3}, soit 3 constituants et un pas de 1/3.
Cette notation permet de calculer trs rapidement le nombre de compositions
prparer et tudier connaissant le nombre de constituants du mlange et le nombre
m. Pour un plan {q, m}, le nombre total de compositions diffrentes est gal :
m
( q + m 1 )!
C q + m 1 = -----------------------------( m )! ( q 1 )!
Figure 10.9 Plan de mlanges en rseaux (Simplex lattice designs)

comportant les trois produits purs et les mlanges 1/3-2/3 et 1/3-1/3-1/3.
Ce plan est not {3, 3}.
213
10 Plans de mlanges
10.3.2 Plans de mlanges centrs
Les plans de mlanges centrs (Simplex-centroid designs dans la littrature anglosaxonne) se distinguent des plans en rseaux par la prsence systmatique dun
point central, cest--dire dune composition contenant autant de chacun des
constituants du mlange (Figure 10.10). Le plan centr permettant dtudier trois
constituants comprend :
les produits purs,
les mlanges moiti-moiti de deux produits purs,
le mlange contenant un tiers de chaque produit pur (point central).
A
Figure 10.10 Plan de mlanges centr (Simplex-centroid designs)

comportant les trois produits purs, les mlanges moiti-moiti
et le mlange quiproportionnel des trois produits purs.
Le nombre N de compositions tudier pour des plans de mlanges centrs

q constituants est donn par la formule :
N = 2q 1
Par exemple, dans le plan de mlanges centr trois constituants, il y a 7 compositions
diffrentes tudier :
N = 23 1 = 8 1 = 7
10.3.3 Plans de mlanges centrs augments
Les plans de mlanges centrs augments (Augmented Simplex-centroid designs dans la

littrature anglo-saxonne) sont des plans de mlanges centrs auxquels on ajoute
les centres de gravit des simplex unitaires. Par exemple, le plan de mlanges
centr pour trois composants comprend quatre simplex unitaires (Figure 10.11).
Le centre de gravit de lun des simplex unitaires est dj occup (point noir n 7).
Il reste donc ajouter trois points (points blancs n 8, 9 et 10) au centre des trois
autres simplex unitaires.
214
10 Plans de mlanges
5
7
10
Figure 10.11 Plan de mlanges centr augment (Augmented Simplex-centroid designs)

comportant les trois produits purs, les mlanges moiti-moiti, le mlange quiproportionnel
des trois produits et les mlanges situs aux centres de gravit des simplex unitaires.

Le modle mathmatique appliqu aux plans de mlanges prend en compte la
contrainte fondamentale des mlanges. Les polynmes utiliss prsentent des
particularits que nous allons indiquer.
10.4.1 Modle du premier degr
On suppose que les variations de la rponse sont proportionnelles aux compositions

du mlange. On pourrait adopter, en premier lieu, le mme modle que celui des
plans factoriels classiques dont les facteurs sont indpendants. Par exemple, pour
un mlange trois constituants on pourrait crire en un point donn :
{10.1}
y = a0 + a1x1 + a2x2 + a3x3
Mais les compositions xi ne sont pas indpendantes. Il faut tenir compte de la

contrainte fondamentale des mlanges :
x1 + x2 + x3 = 1
La relation {10.1} peut alors scrire :
y = a0(x1 + x2 + x3) + a1x1 + a2x2 + a3x3
ou en regroupant les coefficients :
y = (a0 + a1)x1 + (a0 + a2)x2 + (a0 + a3)x3
Ce modle ne comporte plus de terme constant. Si lon change de notation et que
lon pose :
b1 = a1 + a0
b2 = a2 + a0
b3 = a3 + a0
le modle prend alors la forme suivante :
y = b1x1 + b2x2 + b3x3
{10.2}
215
10 Plans de mlanges
Il ny a pas de terme constant. Cette disparition est la consquence directe de la

contrainte fondamentale des mlanges.
10.4.2 Modle du second degr
Le modle mathmatique du second degr comprend les termes du premier degr,

les termes rectangles et les termes carrs. Comme prcdemment, nous allons
partir du modle mathmatique des plans factoriels et nous allons examiner les
consquences de la contrainte fondamentale des mlanges. Pour un mlange deux
constituants, on pourrait crire sachant quil ny a pas de constante :
y = a1x1 + a2x2 + a12x1x2 + a11 x 21 + a22 x 22
{10.3}
Prenons en compte la contrainte fondamentale des mlanges :

x1 + x2 = 1
que lon peut crire :
x1 = 1 x2
Multiplions chaque membre par x1 :
x 21 = x1(1 x2)
x 21 = x1 x1x2
On constate que le terme carr est converti en un terme du premier degr et en un
terme rectangle. Les termes carrs disparaissent donc de la relation initiale. On
obtient un modle comprenant uniquement des termes du premier degr et des
termes rectangles, soit en adaptant les notations :
{10.4}
y = b1x1 + b2x2 + b12x1x2
Pour un mlange trois constituants, on a :
y = b1x1 + b2x2 + b3x3 + b12x1x2 + b13x1x3 + b23x2x3
10.4.3 Modle du troisime degr
Le modle mathmatique du troisime degr, particulier aux plans de mlanges,

peut sobtenir partir dun polynme du troisime degr sur lequel on applique la
contrainte fondamentale des mlanges. Le modle, appel modle cubique complet,
est le suivant :
+ b12x1x2(x1 x2) + b13x1x3(x1 x3) + b23x2x3(x2 x3) + b123x1x2x3
Il est plus courant dutiliser le modle simplifi qui ne comprend que les termes du
premier degr, les termes rectangles et le produit des trois constituants. Le modle
simplifi, appel modle cubique restreint, correspondant un mlange de trois constituants est le suivant :
y = b1x1 + b2x2 + b3x3 + b12x1x2 + b13x1x3 + b23x2x3 + b123x1x2x3 {10.5}
216
10 Plans de mlanges

Un exprimentateur cherche la relation qui existe entre lallongement la rupture

des fils fabriqus avec trois polymres (polythylne, polystyrne et polypropylne)
et la composition de leurs mlanges. Le modle du premier degr tant insuffisant,
pour expliquer les rsultats exprimentaux, lexprimentateur va tester le modle du
second degr.
m Rponse
La rponse est lallongement la rupture des fils prpars avec les diffrents mlanges
de polymres.
m Facteurs et domaine
Les facteurs sont les proportions de chacun des trois polymres polythylne,
polystyrne et polypropylne.
Les proportions peuvent varier de 0 100 % car la proprit dusage, lallongement
la rupture, est valable aussi bien pour les produits purs que pour les mlanges.
Le domaine dtude est reprsent par tout le triangle quilatral.
m Plan
Le plan choisi est un plan de mlanges centr augment (Augmented Simplex-centroid

designs) qui comporte les mlanges indiqus dans le tableau 10.1. Lexprimentateur
prvoit dutiliser les points n 8, 9 et 10 comme points de contrle (Figure 10.12).
Ces points ne seront pas utiliss pour tablir le modle mathmatique, ils serviront
vrifier la valeur prdictive du modle.
Polythylne (1)
7
10
Polystyrne (2)
Polypropylne (3)
Figure 10.12 Position des points exprimentaux (noirs) et des points de contrle (gris)
du plan utilis pour tudier lallongement la rupture des mlanges de polymres.
217
10 Plans de mlanges
Les rsultats des mesures figurent dans le tableau 10.1.

Tableau 10.1 Plan dexpriences et points de contrle.
Mlange n
Polythylne
(1)
Polystyrne
(2)
Polypropylne
(3)
Rponses
32
25
42
1/2
1/2
38
1/2
1/2
39
1/2
1/2
30,5
1/3
1/3
1/3
37
2/3
1/6
1/6
37
1/6
2/3
1/6
32
10
1/6
1/6
2/3
38
10.5.3 Interprtation des rsultats

m Calcul des coefficients et modlisation
Un plan centr augment pour trois constituants permet de calculer les sept coefficients du modle cubique restreint. Les trois points de contrle ne sont pas intgrs
au calcul de ces coefficients. Le tableau 10.2 donne la valeur des sept coefficients.
Tableau 10.2 Coefficients du modle cubique restreint (units codes).
218
Coefficient
Valeur
b1
32
b2
25
b3
42
b12
38
b13
b23
12
b123
10 Plans de mlanges
On obtient ainsi les valeurs numriques des coefficients du modle mathmatique.

Ces coefficients permettent dcrire un modle avec lequel on peut calculer les rponses
dans lensemble du domaine dtude :
y = 32x1 + 25x2 + 42x3 + 38x1x2 + 8x1x3 12x2x3 + 6x1x2x3
m Examen de la validit du modle cubique restreint
Lexprimentateur a prvu trois mlanges de contrle : les points n 8, 9 et 10

(Tableau 10.3). Calculons avec le modle la valeur des rponses prvues en ces points.
Puis comparons ces valeurs aux rponses mesures.
Tableau 10.3 Comparaison des rponses aux points de contrle.
Mlange n
Rponses mesures
Rponses calcules
37
37,38
32
32,22
10
38
38,22
La comparaison de la rponse mesure et de la rponse calcule montre que lon

peut considrer ces valeurs comme gales. On en conclut que le modle cubique
restreint reprsente correctement lallongement la rupture des fils fabriqus avec
des mlanges des trois polymres.
m Illustration graphique des rsultats
Maintenant que le modle est valid, nous pouvons lutiliser pour tracer les courbes
isorponses. On a ainsi une ide de lvolution de la grandeur dintrt en fonction
des proportions de chacun des constituants (Figure 10.13).
Polythylne
1
0,2
0,8
36
0,4
0,6
38
0,6
38
0,4
36
40
0,2
0,8
32
28
Polystyrne
0
1
0,8
0,6
0,4
0,2
Polypropylne
Figure 10.13 Courbes isorponses (allongement la rupture) traces

laide du modle du second degr.
219
10 Plans de mlanges
Lobjectif de connaissance est atteint. On peut calculer lallongement la rupture des

mlanges de polythylne-polystyrne-polypropylne pour toutes les compositions
du domaine dtude. Si lon vise une forte valeur, il faudra choisir des mlanges
fortes teneurs en polypropylne et trs faible teneur en polystyrne. Si on dsire
un allongement peu sensible aux variations de composition, on se placera au point
stationnaire : environ 20 % de polypropylne, 30 % de polystyrne et 50 % de
polythylne. Si on cherche un faible allongement la rupture, on choisira des
mlanges riches en polystyrne.
220
11 NOTION DE PLAN OPTIMAL
Dans les chapitres prcdents, nous avons tudi les plans dexpriences classiques.
Le nombre dessais dpendait du plan choisi. Aprs quelques plans dexpriences,
lexprimentateur se demande sil ne pourrait pas choisir le nombre dessais plutt
que le plan lui-mme. Et quand il considre laspect conomique, la question
devient : Quel est le nombre minimal dessais dont jai besoin pour traiter mon
problme ? Le prsent chapitre est une introduction aux plans dexpriences optimaux qui apportent une rponse cette question pose. Ces plans portent aussi le nom
de custom designs dont la traduction pourrait tre plans sur mesure pour bien montrer
quils sont conus pour sadapter ltude et aux exigences de lexprimentateur.
Pour illustrer les problmes soulevs par le choix dune stratgie exprimentale
nous allons prendre lexemple des peses de Hotelling. En effet, la premire
personne qui sest pos la question de loptimisation des peses est Hotelling qui a
publi en 1944 une tude sur ce sujet (voir bibliographie). On peut tre surpris
que ce problme doptimisation nait t abord quen 1944 ds lors que lon pse
depuis des milliers dannes.
Supposons quun exprimentateur possde un trbuchet analogue celui reprsent
sur la figure 11.1 et quil a deux objets A et B dont il veut dterminer les masses ma et mb.
Figure 11.1 Balance deux plateaux.
221
Sur un plateau, il met lobjet A et, sur lautre, il ajoute des poids jusqu ce que
laiguille revienne sa position dquilibre initiale (Figure 11.2). Soit p1 le total
des poids ce moment. Comme lexprimentateur sait quil commet une erreur s
sur p1 il crit :
ma = p1 + s
Figure 11.2 Reprsentation de la pese de lobjet A.
Pour le deuxime objet, il opre de mme et trouve quil faut mettre un poids p2
pour retrouver lquilibre de la balance :
mb = p2 + s
Si p1 et p2 valent respectivement 10 g et 25 g et si s vaut 0,1 g, lexprimentateur
peut crire :
ma = 10 0,1 g
mb = 25 0,1 g
Lexprimentateur a fait deux mesures et il a obtenu deux rsultats avec une erreur
de . Cest ainsi que les gens pratiquent dans tous les mtiers du monde. Pourtant, Hotelling a fait remarquer que, pour le mme effort, on pouvait obtenir une
meilleure prcision, condition que les deux objets participent chaque pese. Il
propose donc dans une premire exprience de mettre A et B sur un mme
plateau, cest--dire de mesurer la somme p1 des masses. Puis, dans une seconde
exprience de mettre A et B chacun sur un plateau et dobtenir ainsi la diffrence
p2 des masses de A et de B. Il peut ainsi crire un systme dquations dont il
dduit les masses ma et mb par un calcul simple :
ma + mb = p1
ma mb = p2
do :
1
m a = --- ( p 1 + p 2 )
2
1
m b = --- ( p 1 p 2 )
2
222
Si on applique le thorme des variances (voir chapitre 5), on obtient :

1
V ( m a ) = --- [ V ( p 1 ) + V ( p 2 ) ]
4
1 2
2
= --- [ + ]
4
1 2
= ---
2
Lerreur (lcart-type) sur les rsultats de mesures nest plus que 2 au lieu de
s, cest--dire une rduction de 30 % de lerreur de mesure. On crit :
ma = 10 0,07 g
mb = 25 0,07 g
Avec la mthode classique, le mme rsultat aurait t atteint en pesant deux fois A
et en pesant deux fois B, soit 4 mesures au lieu de 2. Ici commence poindre lun
des intrts de faire intervenir toutes les variables, ou tous les facteurs, chaque
exprience : pour un mme nombre dexpriences on amliore la prcision.
Reprenons lexemple dHotelling et traitons-le avec le formalisme des plans

dexpriences introduit aux chapitres 1 et 2.
Les facteurs seront les objets A et B et les rponses les poids ncessaires pour
ramener lquilibre chaque pese. On adopte une convention de signe : si lobjet
est dpos sur le plateau de gauche, il est compt positivement, sil est dpos sur
le plateau de droite, il est compt ngativement (Figure 11.3).
Figure 11.3 Convention de signes adopte pour les peses.
Avec cette convention la masse de lobjet A est pa si A est sur le plateau de droite
et +pa si A est sur le plateau de gauche. On peut simplifier la notation en introduisant
les variables codes, 1 correspond pa, +1 +pa et 0 labsence de A :
+pa _____ 0 _____ pa
+1 _____ 0 _____ 1
223
Les mmes conventions sont adoptes pour lobjet B. Leffet de B sur les plateaux
sexprime par :
+pb _____ 0 _____ pb
+1 _____ 0 _____ 1
Les deux manires de peser, la mthode classique et la mthode dHotelling
peuvent alors tre prsentes selon une matrice dexpriences. Les calculs seront
conduits comme pour un plan dexpriences et les effets trouvs seront les poids
de chacun des objets : leffet dun objet tant, dans ce cas, son poids.
11.2.1 Mthode classique
Essai n 1 : A est sur le plateau de gauche, B nest pas sur la balance. Rponse :
10 g
Essai n 2 : B est sur le plateau de gauche, A nest pas sur la balance. Rponse :
25 g
Tableau 11.1 Matrice dexpriences : mthode classique pour peser deux objets.
Essai n
A
Facteur 1
B
Facteur 2
Masse (g)
Rponses
+1
10
+1
25
Effet
10 g
25 g
Comme il ny a aucune interaction entre A et B, la matrice dexpriences

(Tableau 11.1) est identique la matrice du modle. La matrice X de la mthode
classique de pese est donc :
X = 10
01
{11.1}
Il ne faut pas stonner de voir les effets gaux aux rponses : la matrice des effets
est une matrice unit, elle napporte aucune transformation.
11.2.2 Mthode dHotelling
Essai n 1 : A et B sont sur le plateau de gauche. Rponse : 35 g

Essai n 2 : B est sur le plateau de gauche, A sur le plateau de droite. Rponse :
15 g
La matrice X de la mthode dHotelling (Tableau 11.2) est :
X =
224
1 1
1 1
11.3 Optimalit
Tableau 11.2 Matrice dexpriences : mthode dHotelling pour peser deux objets.
Essai n
A
Facteur 1
B
Facteur 2
Masse (g)
Rponses
+1
+1
35 g
+1
15 g
Effet
10 g
25 g
La mthode dHotelling est caractrise par cette matrice o ne figure aucun zro,
ce qui signifie que tous les objets ont particip tous les essais.
On retrouve, bien sr, les mmes effets (ou les mmes poids) quavec la mthode
classique, avec cependant, et la diffrence est de taille, une meilleure prcision.
11.3 Optimalit
Nous venons de voir que la mthode dHotelling donne des rsultats plus prcis
que la mthode classique. La question qui se pose naturellement est : Peut-on
faire mieux ? Peut-on obtenir avec deux essais des effets plus prcis ? La mthode
dHotelling est-elle optimale ?
Nous adopterons comme dfinition : un plan optimal est un plan qui fournit les
estimations des effets avec la meilleure prcision possible . Les mathmaticiens ont
dmontr que ce but tait atteint lorsque le dterminant de la matrice X X atteignait sa valeur maximale. Le calcul du dterminant dune matrice est fort long
sauf pour les plus petites matrices. Cest la raison pour laquelle on fait appel aux
logiciels et aux ordinateurs pour gnrer les matrices des plans optimaux. Pour
illustrer la mthode, nous utiliserons un exemple trs simple.
11.3.1 Critre du dterminant maximum (D-optimal)
Indiquons dabord, dune manire mathmatique, le critre doptimalit qui fait

intervenir le dterminant dune matrice. On notera A le dterminant de la
matrice A. On dira quun plan dexpriences est D-optimal si la position des points
dexpriences maximise la valeur du dterminant XX de la matrice XX . Le D
de D-optimal vient de dterminant et on parle de D-optimalit.
Les dterminants ne peuvent tre calculs que pour les matrices carres. Mais
comme les matrices XX sont toujours carres, on peut toujours calculer leurs
dterminants.
Appliquons cette notion de D-optimalit lexemple des peses, avec la mthode
classique et la mthode dHotelling :
pour la mthode classique :
X = 10
01
et
XX = 1
225
11.3 Optimalit
pour la mthode dHotelling :

1 1
et XX = 4
1 1
La stratgie dHotelling est meilleure que la stratgie classique car le dterminant
de XX est plus lev. En fait, on dmontre que lon ne peut pas trouver une
meilleure stratgie que celle dHotelling.
X =
11.3.2 Calcul des plans optimaux
La stratgie dHotelling peut tre tendue la pese de quatre objets A, B, C et D.

Comment faut-il organiser les pess pour obtenir la meilleure prcision ? tudions
les diffrentes stratgies possibles.
Voyons dabord la mthode classique sachant quelle nest pas optimale. On peut
reprsenter les quatre peses par la matrice :
1
X = 0
0
0
0
1
0
0
0
0
1
0
0
0
0
1
Le dterminant de la matrice XX est gal :

XX = 1
On peut mettre en uvre une approche analogue celle qui a t utilise pour
deux objets. On pse dabord A et B puis C et D selon les indications suivantes :
Essai n 1 : A et B sont sur le plateau de gauche.
Essai n 2 : B est sur le plateau de gauche, A sur le plateau de droite.
Essai n 1 : C et D sont sur le plateau de gauche.
Essai n 2 : D est sur le plateau de gauche, C sur le plateau de droite.
Cette stratgie est illustre par la matrice :
1 1 0
X = 1 1 0
0 0 1
0 0 1
Le dterminant de la matrice XX est gal :
0
0
1
1
XX = 16
Cette stratgie est nettement meilleure que la mthode classique. Mais est-ce la
meilleure ?
Pour les plans nayant que des niveaux 1 ou +1, la matrice XX de rang n
ayant la plus haute D-optimalit possde un dterminant XX = n n .
Ainsi la seconde solution propose nest pas une stratgie optimale. Comme indiqu
prcdemment, les plans optimaux sont calculs par les ordinateurs. Lune des
226
11.3 Optimalit
mthodes la plus efficace pour calculer un plan optimal est lalgorithme dchanges
des coordonnes. Nous allons donner les grandes lignes de cette mthode et lillustrer
grce lexemple de la pese de quatre objets.
Lalgorithme dchanges des coordonnes suit la dmarche suivante :
Prparation de lalgorithme :
Cration dune matrice carre X de rang n dont les lments sont choisis au
hasard et dont les valeurs sont comprises entre 0 et 1. Cest la matrice alatoire
de dpart.
Cration dun jeu de substitution dont les valeurs serviront remplacer les
lments de dpart. Ce jeu est constitu par les niveaux dtude du plan dexpriences, ici 1 ou +1. Par exemple, pour un plan 22, on prend 1 et +1 et, pour
un plan trois niveaux, on prend 1, 0 et +1.
Ensuite commence le dveloppement itratif de lalgorithme :
Le chiffre la croise de la premire ligne et de la premire colonne est remplac
successivement par les valeurs du jeu de substitution. Le dterminant XX est
calcul pour chacune des valeurs de substitution.
Si lune des valeurs de substitution augmente le dterminant, on la laisse en
place en remplacement de la valeur dorigine. Si aucune des valeurs de substitution
naugmente le dterminant, on laisse la valeur alatoire en place.
Le premier lment tant trait, on attaque le second : il est la croise de la
premire ligne et de la deuxime colonne. On excute les oprations 1 et 2 et on
trouve une nouvelle valeur pour le dterminant XX .
On poursuit ainsi pour tous les lments de la matrice X.
Si lon atteint la valeur maximale du dterminant, soit XX = n n , on sarrte.
Si lon na pas atteint la valeur maximale, on rpte les oprations de substitution sur tous les lments de la matrice. On poursuit ainsi jusqu obtenir la
valeur maximale du dterminant ou jusqu ce quon ne puisse plus amliorer
sa valeur. Cette situation arrive lorsque lalgorithme ne procde plus aucune
substitution.
Reprenons lexemple de la pese de quatre objets pour illustrer ce processus et
cherchons la meilleure matrice de peses ou matrice dexpriences (Tableau 11.3).
Les lments de la matrice de dpart sont des nombres choisis au hasard :
0,556
X = 0,607
0,267
0,409
0,696
0,039
0,975
0,368
0,346
0,499
0,770
0,061
0,787
0,017
0,638
0,421
Dans ce cas :
XX = 0,001 6
Puisque les quatre facteurs possdent deux niveaux, les valeurs candidates pour
remplacer les lments de cette matrice de dpart sont 1 et +1.
227
228
X =
16
X =
1
1 0,787
0,039 0,499 0,017
0,975 0,770 0,638
0,368 0,061 0,421
1
0,607
X =
0,267
0,409
15
1
0,039
0,975
0,368
1
0,607
X =
0,267
0,409
1
1
1
0,421
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1 0,061 0,421
0,787
0,017
0,638
0,421
1
1
1
1
0,346
0,499
0,770
0,061
0,787
0,017
0,638
0,421
0,346
0,499
0,770
0,061
0,696
0,039
0,975
0,368
1
0,607
X =
0,267
0,409
0,787
0,017
0,638
0,421
0,346
0,499
0,770
0,061
0,696
0,039
0,975
0,368
Matrice X
0,556
X = 0,607
0,267
0,409
Itration
0,497
0,418
0,008
105
|X X| avec +1
64
32
256
187
Valeur de substitution
et ainsi de suite jusquaux deux dernires lignes :
0,024
0,187
0,332
0,027
|X X| avec 1
Tableau 11.3 Dtail de lalgorithme dchanges (peses de 4 objets).
X =
0,346
0,499
0,770
0,061
0,346
0,499
0,770
0,061
0,787
0,017
0,638
0,421
0,787
0,017
0,638
0,421
1
1
1
1
1
1
1
1
1
1
1
0,421
1 1
1 1
1 1
1 1
1
1
1
1
1
1
1
0,039 0,499 0,017
0,975 0,770 0,638
0,368 0,061 0,421
1
1 0,787
0,039 0,499 0,017
0,975 0,770 0,638
0,368 0,061 0,421
1
0,039
0,975
0,368
0,696
0,039
0,975
0,368
1
X = 1
1
1
1
1
1
1
1
0,607
X =
0,267
0,409
1
0,607
X =
0,267
0,409
1
0,607
X =
0,267
0,409
1
0,607
X =
0,267
0,409
Nouvelle matrice X

11.3 Optimalit
Le dterminant a atteint la valeur 256, soit 44. Nous savons que cest la valeur
maximale. Par consquent la matrice dexpriences optimale est la suivante :
1
X = 1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
On constate que les quatre objets interviennent dans chaque pese et cest ce que
nous attendions. La valeur de XX = 256 indique que lalgorithme peut tre
arrt. Si nous navions pas atteint la valeur 256 aprs lchange des 16 lments de
la matrice, nous aurions parcouru nouveau le processus de substitution avec,
comme matrice de dpart, la matrice darrive du premier cycle. La puissance des
ordinateurs permet daffiner ce processus : on utilise plusieurs matrices de dpart
(une vingtaine), on parcourt plusieurs fois lalgorithme et on compare les matrices
obtenues. On prend la meilleure.
Pour rsumer, nous avons vu trois stratgies pour peser quatre objets. Les rsultats
sont les suivants :
Stratgie classique
Stratgie intermdiaire
Stratgie optimale
XX = 1
XX = 16
XX = 256
On ne traite pas souvent des cas aussi simples que celui des peses. En gnral, on
a un problme qui met en jeu un modle, une ou plusieurs rponses, plusieurs
facteurs et leurs interactions. Comment les plans optimaux sont-ils calculs quand
les modles linaires sont impliqus ?
Supposons que nous ayons le modle linaire suivant :
y = a0 + a1x1 + a2x2 + a12x1x2
On dmarre avec deux facteurs et une interaction. Pour utiliser lalgorithme
dchanges prcdent, on commence par construire la matrice du modle. Cest
cette matrice qui est dsigne par X. Cette matrice se distingue de la matrice du
plan dexpriences (repre F dans ce chapitre) qui, elle, ne fait intervenir que les
niveaux des facteurs. La matrice X fait intervenir les niveaux des facteurs, leurs
interactions et une constante.
On commence par remplir la matrice dexpriences de nombres ri choisis au hasard :
r1 r2
F =
r3 r4
r5 r6
r7 r8
229
On btit la matrice du modle en ajoutant une colonne de 1 pour la constante et

une quatrime colonne pour linteraction :
X =
r1
r2 r1 r2
r3
r4 r3 r4
r5
r6 r5 r6
r7
r8 r7 r8
Lalgorithme dchanges est appliqu la matrice F. Quand la matrice F est modifie,

la matrice X est modifie de la mme manire. Par exemple quand on remplace le
r1 de F par +1 (ou 1), on modifie le r1 de X dans les deuxime et quatrime
colonnes. Le dterminant correspondant est calcul, ce qui permet de savoir sil
faut conserver ou non le niveau test.
Comme prcdemment nous allons donner un exemple (Tableau 11.4). Soit F la
matrice dexpriences optimiser :
0,736
F = 0,239
0,328
0,318
0,414
0,124
0,770
0,723
Do la matrice :
1
X = 1
1
1
0,736
0,239
0,328
0,318
0,414
0,124
0,770
0,723
1
1
1
1
1
1
1
1
0,305
0,030
0,252
0,230
Do la matrice finale :
X =
1
1
1
1
1
1
1
1
Si lon regarde attentivement cette matrice, on constate que les deux colonnes
centrales forment un plan factoriel complet 22, plan que nous avons rencontr au
chapitre 2.
Dune manire gnrale, lalgorithme dchanges permet de retrouver les plans
classiques. Cest donc un moyen puissant de construire rapidement un plan qui
sadapte aux exigences de ltude en cours mme dans les cas simples.
230
Itration
0,414
0,124
0,770
0,723
1
0,239
F =
0,328
0,318
1 1
F = 1 1
1 1
1 0,723
1 1
1
F = 1
1
1
0,318 0,723
0,414
0,124
0,770
0,723
0,736
F = 0,239
0,328
0,318
6,6
106
5,5 105
|X X| avec +1
Valeur de substitution
256
190
et ainsi de suite jusquaux deux dernires lignes :
5,6
104
1,6 105
|X X| avec 1
Tableau 11.4 Dtail de lalgorithme dchanges (plan de 2 facteurs).
0,414
0,030
0,252
0,230
1
1
0,124 0,030
0,770 0,252
0,723 0,230
0,414
0,124
0,770
0,723
1
X = 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 0,723 0,723
1
0,239
0,328
0,318
1
0,239
0,328
0,318
1
X = 1
1
1
1
X = 1
1
1
1
X = 1
1
1
Nouvelle matrice X

231

Les proprits des plans optimaux font quils sont toujours un bon choix, quil
sagisse de criblage ou de modlisation. Ils permettent lexprimentateur davoir
le plan sur mesure qui sadapte parfaitement aux contraintes de ltude. Les plans
optimaux permettent galement de traiter des situations difficiles et sont parfois la
seule solution aux problmes poss. On les emploie lorsquil faut :
diminuer le nombre dessais dun plan classique pour sadapter au budget et aux
dlais imposs ;
adapter le plan aux objectifs de ltude et aux moyens de lexprimentateur ;
traiter en mme temps des facteurs de mlanges et des facteurs de procd ;
obtenir une surface de rponse en prsence de facteurs discrets ;
tenir compte des contraintes qui psent sur le domaine dtude ; toutes les
combinaisons de facteurs ne sont pas possibles et le domaine dtude nest plus
un carr, un cube ou un hypercube ;
assurer un blocking ncessaire la qualit des rsultats de ltude et que le
modle ne sy prte pas ;
complter par quelques essais supplmentaires une exprimentation mal
conduite afin den tirer des conclusions valides (rparation dexprimentation).

Supposons que vous ayez une tude faisant intervenir une rponse et trois facteurs.
Votre budget vous autorise 12 essais. Votre choix naturel se porte sur un plan 23 de
8 essais et il vous reste 4 essais que vous pouvez mettre au centre du domaine
dtude pour vrifier la validit du modle PDAI (modle du premier degr avec
interactions) et pour avoir une ide de lerreur exprimentale (Tableau 11.5).
Tableau 11.5 Plan classique.
232
Facteur 1
Facteur 2
Facteur 3
Tableau 11.5 Plan classique. (Suite)

Facteur 1
Facteur 2
Facteur 3
Si lcart-type de la rponse est 1, lcart-type de chaque coefficient est 0,125. On

retrouve ce rsultat avec la relation {5.1} du chapitre 5.
Si vous navez pas besoin de vrifier la validit du modle PDAI et de possder une
estimation de lerreur exprimentale, vous pouvez construire un plan optimal de
12 essais (Tableau 11.6).
Tableau 11.6 Plan optimal pour 12 essais.

Facteur 1
Facteur 2
Facteur 3
Si lcart-type de la rponse est 1, lcart-type de chaque coefficient est 0,094. On

retrouve aussi ce rsultat avec la relation {5.1} du chapitre 5. La variance des coefficients chute de 0,125 0,094, soit un gain de prs de 25 % sur les variances et de
14 % sur les carts-types.
Lintrt dun tel gain rside dans le fait que les facteurs peu influents sont plus
facilement discrimins de lerreur exprimentale. Cet avantage peut tre trs important en fabrication o une lgre amlioration du rendement de production peut
parfois entraner de grandes conomies.
233
Si vous dsirez tablir, tout de suite, un modle du second degr, il est possible en
rpartissant convenablement les 12 points dexpriences davoir une bonne prcision
sur les coefficients et destimer la courbure de la surface de rponse (Tableau 11.7).
On choisira un modle postul du second degr :
y = a0 + a1x1 + a2x2 + a3x3 + a12x1x2 + a13x1x3 + a23x2x3 + a11 x 21 + a22 x 22 + a33 x 23 + e
Tableau 11.7 Plan du second degr.
Facteur 1
Facteur 2
Facteur 3
Comme on utilise un modle du second degr, la variance varie dun coefficient

lautre (Tableau 11.8).
Tableau 11.8 Variance des coefficients du plan du second degr.
Coefficient
Variance
Coefficient
Variance
a0
0,819
a13
0,119
a1
0,111
a23
0,125
a2
0,123
a11
0,836
a3
0,111
a22
0,523
a12
0,125
a33
0,836
Le plan optimal a permis dobtenir une variance faible et destimer les coefficients
du second degr.
234
11.7 Exemple 16 : dveloppement

dun dtecteur de fissures
Avec le mme nombre dessais, il a t possible de traiter trois situations diffrentes :

un plan classique avec vrification du modle PDAI, un plan avec rduction maximale de la variance des coefficients et un plan pour surfaces de rponse.
Nous allons maintenant examiner trois applications diffrentes des plans optimaux
en utilisant les trois exemples suivants :
Lexemple 16 Dveloppement dun dtecteur de fissures montre les proprits
dadaptabilit des plans D-optimaux.
Lexemple 17 Les comprims du pharmacien souligne la rduction du nombre
des essais dans le cas des tudes o se ctoient les facteurs de mlanges et les facteurs
de procd.
Lexemple 18 La crme bronzer tmoigne de la puissance des plans D-optimaux pour rparer des exprimentations mal conues.
11.7 Exemple 16 : dveloppement dun dtecteur

de fissures
m Prsentation de ltude
Un chercheur dveloppe un appareil portable pour dtecter les craquelures et les

fissures dans les mtaux. Cet appareil ne dtruit pas lobjet examin et se rvle trs
utile pour vrifier des produits comme les ailes davion, les roues de voiture, les
matriaux de construction ou les canalisations. Le principe de ce dtecteur est bas
sur les modifications du champ magntique dun solnode dont on mesure les
variations dimpdance. Au cours de ltude ces variations seront appeles sensibilit de lappareil, sensibilit qui sera la rponse mesure par lexprimentateur.
Ltude porte essentiellement sur lenroulement des fils du solnode. Les trois
facteurs tudis sont (Tableau 11.9) :
Facteur 1 : nombre denroulements des fils.
Facteur 2 : distance des fils entre deux enroulements.
Facteur 3 : calibre des fils.
Facteur
Niveau 1
Niveau 0
Niveau +1
Nombre denroulements (1)
90
135
180
Distance des enroulements (2)
0,38
0,76
1,14
Calibre des fils (3)
40
44
48
235

m Objectifs de ltude
Pour cette tude, on peut raliser 12 essais. Nous allons considrer deux exprimentateurs ayant des objectifs diffrents. Selon lobjectif de ltude, on ne ralisera pas
le mme plan dexpriences. Deux plans vont tre raliss ayant chacun un objectif
bien prcis mais diffrent dans les deux cas. Cet exemple va nous permettre de
comprendre lintrt de bien prciser lobjectif de ltude avant de faire les essais. Il
nous montrera aussi lintrt des plans classiques et des plans optimaux pour adapter
le plan dexpriences aux impratifs dune tude.
Le premier exprimentateur a pour objectif de modliser le phnomne quil
tudie. Il choisit donc un plan factoriel complet et dispose les quatre essais supplmentaires au centre du domaine dtude pour apprcier la courbure de la surface
de rponse et lerreur exprimentale. Si besoin est, il compltera ce plan par des points
en toile pour avoir un plan composite.
Le second exprimentateur a pour objectif de dtecter les facteurs influents et
mme ceux qui sont peu influents. Dans ce cas, il prvoit de faire un plan de
criblage en utilisant les quatre essais supplmentaires pour diminuer la variance des
coefficients. Il pourra ainsi mieux apprcier si un facteur est ngligeable ou non.
11.7.2 Plan factoriel 23 avec points au centre
m Exprimentation
Dans ce premier cas, lobjectif de lexprimentateur est de modliser le phnomne

quil tudie. Il commence donc par un plan factoriel complet avec 4 points de
contrle au centre (Tableau 11.10).
236
Essai n
Nombre
denroulements
(1)
Distance des
enroulements
(2)
Calibre
des fils
(3)
Sensibilit
1,7
+1
4,57
+1
0,55
+1
+1
3,39
+1
1,51
+1
+1
4,59
+1
+1
0,67
+1
+1
+1
4,29
2,7
10
2,76

Tableau 11.10 Matrice dexpriences. (Suite)
Essai n
Nombre
denroulements
(1)
Distance des
enroulements
(2)
Calibre
des fils
(3)
Sensibilit
11
3,21
12
1,97
Niveau 1
90
0,38
40
Niveau +1
180
1,14
48
m Interprtation
Les 8 coefficients sont calculs avec le modle A en considrant les 8 points du

plan factoriel et sans prendre en compte les points de contrle :
Modle A :
y = a0 + a1x1 + a2x2 + a3x3 + a12x1x2 + a13x1x3 + a23x2x3 + a123x1x2x3
La constante du modle est gale 2,659 et il ny a aucune indication statistique
puisque le plan est satur. Les points au centre ont pour moyenne 2,66 avec un
cart-type de 0,51. La constante (rponse calcule au centre avec le modle) et les
rponses mesures au centre du domaine dtude sont statistiquement gales.
Le modle PDAI est donc valide, ce nest pas la peine denvisager un plan
composite. Comme on sait maintenant que les points au centre font partie du
modle PDAI, on peut les incorporer aux calculs des coefficients.
On reprend donc les calculs en conservant le modle PDAI mais en prenant en
compte les 12 rsultats exprimentaux. Le tableau 11.11 indique les rsultats de ce
calcul. La constante est gale 2,659 et il y a, cette fois, des indications statistiques. Le facteur 1 (nombre denroulements) est influent et le facteur 2 est peuttre influent mais la conclusion nest pas nette car la p-value est de 0,05.
Tableau 11.11 Importance des coefficients du modle A calculs avec les points au centre (units codes).
Coefficient
Valeur
cart-type
t de Student
p-value
Constante
2,659
0,128
20,73
< 0,0001
1,551
0,157
9,87
0,0006
0,434
0,157
2,76
0,0508
Calibre fils (3)
0,106
0,157
0,68
0,5360
a12
0,064
0,157
0,41
0,7057
a13
0,124
0,157
0,79
0,4750
a23
0,149
0,157
0,95
0,3974
a123
0,071
0,157
0,45
0,6738
237

En examinant les rsultats, on saperoit que les interactions sont ngligeables. On

refait les calculs avec un modle simplifi, le modle B, ne faisant intervenir que
les facteurs principaux au premier degr :
Modle B : y = a0 + a1x1 + a2x2 + a3x3
On gagne ainsi des degrs de libert qui permettent de rduire lerreur sur les coefficients. On constate que le coefficient du facteur 2 (distance des enroulements) a
une p-value de 0,0123 (Tableau 11.12). Ce facteur est donc influent.
Tableau 11.12 Importance des coefficients du modle B (units codes).
Coefficient
Valeur
cart-type
t de Student
p-value
Constante
2,659
0,110
24,16
< 0,0001
1,551
0,135
11,51
< 0,0001
0,434
0,135
3,22
0,0123
Calibre fils (3)
0,106
0,135
0,79
0,4533
On peut conclure que le modle est du premier degr et quil y a deux facteurs
influents : le facteur 1, le nombre denroulements, et le facteur 2, la distance des
enroulements.
Lobjectif de modlisation du phnomne est atteint.
11.7.3 Plan D-optimal avec rptitions
Dans ce second cas, lobjectif de lexprimentateur est de dtecter les facteurs peu
influents. Il va donc faire un plan de criblage en utilisant un modle PDAI et en
essayant de diminuer le plus possible la variance des coefficients pour bien apprcier leur signification. Pour cela il met tous les points sur les sommets du domaine
dtude. Il y aura donc des rptitions sur certains sommets.
m Exprimentation
Le plan dexpriences est calcul par le logiciel en demandant un plan D-optimal.

Les rsultats des essais figurent dans le tableau 11.13.
Essai n
Nombre
denroulements (1)
Distance des
enroulements (2)
Calibre
des fils (3)
Sensibilit
1,190
2,210
1,510
0,823
238

Tableau 11.13 Matrice dexpriences. (Suite)

Essai n
Nombre
denroulements (1)
Distance des
enroulements (2)
Calibre
des fils (3)
Sensibilit
0,277
0,670
4,822
4,318
4,590
10
3,402
11
3,378
12
4,290
Niveau 1
90
0,38
40
Niveau +1
180
1,14
48
m Interprtation
Les coefficients sont calculs avec le modle A et leurs proprits statistiques sont
indiques dans le tableau 11.14.
Tableau 11.14 Importance des coefficients du modle A (units codes).

Coefficient
Valeur
cart-type
t de Student
p-value
Constante
2,659
0,137
19,46
< 0,0001
1,551
0,137
11,35
0,0003
0,434
0,137
3,17
0,0337
0,106
0,137
0,78
0,4802
a12
0,064
0,137
0,47
0,6651
a13
0,124
0,137
0,91
0,4163
a23
0,149
0,137
1,09
0,3375
a123
0,071
0,137
0,52
0,6296
239
Les rsultats montrent quil y a deux facteurs influents, le facteur 1 (nombre

denroulements) et le facteur 2 (distance des enroulements). Comme prcdemment, on constate que les interactions sont ngligeables et que lon peut reprendre
les calculs en utilisant le modle B. Les rsultats de ce dernier calcul figurent dans
le tableau 11.15 et confirment linfluence du facteur 2 qui a maintenant une p-value
de 0,003.
Tableau 11.15 Importance des coefficients du modle B (units codes).
Coefficient
Valeur
cart-type
t de Student
p-value
Constante
2,659
0,122
21,80
< 0,0001
1,51
0,115
13,13
< 0,0001
0,483
0,115
4,20
0,0030
0,106
0,122
0,87
0,4090
Tous les essais du plan ont t utiliss pour rduire lcart-type des coefficients
permettant ainsi de dcouvrir mme les facteurs peu influents.

Ce plan dexpriences a t dcrit dans le livre Plans dexpriences : les mlanges. En ce
qui concerne les facteurs de mlanges, les exprimentateurs avaient dcid de raliser
11 essais localiss comme lindique la figure 11.4. En ce qui concerne les facteurs
de procd, les exprimentateurs avaient dcid de raliser un plan factoriel
complet avec point central. Lensemble de lexprimentation avait conduit 11
fois 5 soit 55 essais. Grce aux plans D-optimaux, il est possible de rduire considrablement le nombre de ces essais tout en assurant une modlisation daussi
bonne qualit. Nous allons rappeler les donnes de ltude et nous comparerons les
rsultats obtenus avec 55 essais ceux obtenus avec le plan D-optimal.
Cette tude concerne la mise au point de cachets pharmaceutiques. Les exprimentateurs ont cherch atteindre plusieurs spcifications en tudiant la composition du cachet et la manire de lobtenir. Le cachet est prpar partir dune
poudre contenant de lamidon, du lactose et de la cellulose. Cette poudre est
soumise une pression importante pendant un laps de temps dtermin. La poudre
ainsi traite devient sous leffet de la pression, un comprim. Le mot comprim sera,
dans la suite de cet exemple, synonyme de cachet. Le cachet ou le comprim ainsi
obtenu doit rpondre plusieurs impratifs pour pouvoir tre utilis par le patient.
240
Il doit pouvoir tre tenu avec les doigts sans se dsagrger, ne pas seffriter dans la
bote lors des manipulations, avoir une porosit donne pour se dissoudre facilement et rapidement, etc. Ltude de plusieurs mlanges amidon-lactose-cellulose
en fonction de la pression et de la dure de compression a pour objectif de dterminer les conditions dobtention de comprims conformes aux spcifications.
m Donnes du problme
M Rponses
Plusieurs rponses dfinissent les qualits dun cachet. Nous nen utiliserons que
deux pour traiter cet exemple : la cohsion et la porosit.
Cohsion
Cette grandeur correspond la rsistance la rupture. Elle est mesure en exerant
une traction sur le cachet et en mesurant la force ncessaire pour le rompre. Cette
force ne doit pas tre trop faible, car sinon les cachets se casseraient sous la moindre
traction. Elle ne doit pas, non plus, tre trop forte, car il faut que le patient puisse
facilement partager le comprim en deux. On recherche une cohsion comprise
entre deux limites : 3 106 et 5 106 Pa.
Porosit
Cette rponse mesure le volume des vides du cachet. Elle sobtient en comparant
le volume de la poudre initiale celui du cachet compress. La porosit est donne
par la diminution relative de volume lorsque la poudre devient un comprim.
Leau doit pouvoir pntrer facilement lintrieur du comprim pour le dissoudre
rapidement, par consquent la porosit ne doit pas tre trop faible. Pour que le
cachet ne seffrite pas, la porosit ne doit pas tre trop grande. Un bon compromis
est obtenu lorsque la porosit est comprise entre 17 et 22 %.
M Facteurs de mlanges
Le mlange tudier comprend trois constituants :

lamidon dont la teneur est x1 ; la teneur de ce produit est soumise une
contrainte : pas plus de 50 % damidon dans la poudre cachets :
x1 0,50
le lactose dont la teneur x2 nest soumise aucune contrainte :
0 x2 1
la cellulose minrale dont la teneur x3 nest soumise aucune contrainte :
0 x3 1
M Facteurs de procd
Cadence de fabrication
Cest le temps qui scoule entre la compression dun cachet et celle du suivant. Ce
temps est en relation directe avec la dure de la pression exerce sur le cachet. On
241
remarquera galement que ce facteur une forte rpercussion sur la production.

En effet, plus la dure de compression est courte, plus la production est leve. Nous
dsignerons ce facteur par z1.
Pression
Cest la pression applique sur la poudre au moment de la fabrication du comprim.
Nous dsignerons ce facteur par z2.
M Domaine dtude
Il faut tenir compte de la contrainte pour dfinir le domaine dtude. Seule la partie
infrieure du triangle quilatral fait partie du domaine dtude (Figure 11.4).
Amidon
0
0,2
0,8
0,4
0,6
6
5
0,6
0,4
11
4
0,8
0,2
9
10
Lactose
0 1
0,8
0,6
0,4
0,2
Cellulose
Figure 11.4 Domaine dtude des mlanges de poudres pour fabriquer des comprims.
Position des mlanges raliss avec le plan de 55 essais.
11.8.2 Plan dexpriences
Pour construire le plan, il faut dabord dfinir le modle postul. On peut, par
exemple, prendre le modle du second degr des plans de mlange :
Les coefficients de ce modle dpendent des niveaux des facteurs de procd z1 et z2.
On suppose que les coefficients sont des fonctions du premier degr des facteurs z1
et z2 :
bi = a0,i + a1,i z1 + a2,i z2
Avec ces choix, le modle postul scrit :
y = (a0,1 + a1,1 z1 + a2,1 z2)x1 + (a0,2 + a1,2 z1 + a2,2 z2)x2 + (a0,3 + a1,3 z1 + a2,3 z2)x3
+ (a0,12 + a1,12 z1 + a2,12 z2)x1x2 + (a0,13 + a1,13 z1 + a2,13 z2)x1x3
+ (a0,23 + a1,23 z1 + a2,23 z2)x2x3
242
Ce modle comporte 18 coefficients. Il faut donc au moins 18 essais diffrents pour

ltablir. Mais on dsire pouvoir sassurer de la qualit du modle et on introduit
10 essais supplmentaires. On va raliser 28 essais, soit presque la moiti des essais
du plan initial de 55 essais. Ce plan de 28 essais ne peut pas tre construit la main,
il faut utiliser un logiciel possdant un module de calcul spcifique. Lordinateur
excute les calculs et fournit lun des plans optimaux possibles.
Le tableau 11.6 indique le plan dexpriences qui a t retenu par les exprimentateurs.
Tableau 11.16 Plan dexpriences.

Essai n
Amidon
(x1)
Lactose
(x2)
Cellulose
(x3)
Cadence
(z1)
Pression
(z2)
Cohsion
Porosit
0,5
0,5
1,12
19,43
0,5
0,25
0,25
0,47
21,60
2,52
25,45
3,46
10,60
0,5
0,5
0,49
15,88
0,5
0,5
0,42
26,28
2,27
27,96
0,25
0,35
0,4
0,51
26,19
0,25
0,375
0,375
1,80
14,56
10
0,42
26,05
11
0,25
0,75
0,31
28,10
12
0,25
0,75
2,87
14,94
13
0,5
0,5
5,25
12,66
14
0,25
0,75
0,19
24,83
15
0,5
0,5
0,38
18,20
16
0,91
21,62
17
0,5
0,5
0,53
21,82
18
3,12
9,01
19
0,5
0,5
0,41
27,81
20
0,5
0,5
1,49
24,37
243
Tableau 11.16 Plan dexpriences. (Suite)

Essai n
Amidon
(x1)
Lactose
(x2)
Cellulose
(x3)
Cadence
(z1)
Pression
(z2)
Cohsion
Porosit
21
0,5
0,5
0,07
25,83
22
0,5
0,5
1,16
16,93
23
0,5
0,5
5,35
9,59
24
7,09
8,32
25
7,39
10,65
26
0,25
0,75
0,34
18,49
27
0,5
0,5
1,49
23,29
28
0,25
0,75
0,72
20,55
11.8.4 Interprtation
Les calculs sont effectus comme laccoutume et lon obtient les coefficients des
modles Cohsion et Porosit. Ces coefficients peuvent tre compars ceux qui
ont t obtenus avec le plan de 55 essais. On constate que, pour les deux rponses,
les coefficients sont statistiquement gaux (Tableau 11.17). On peut aussi
comparer les carts-types (RMSE) sur les rponses individuelles : 0,223 pour la
cohsion et 0,654 pour la porosit. Ils taient de 0,256 pour la cohsion et de
0,448 pour la porosit avec les modles tablis avec 55 essais. On obtient donc, l
aussi, des rsultats tout fait semblables dun point de vue statistique.
Avec les plans optimaux il est donc possible de rduire de manire trs significative
le nombre dessais sans perdre les qualits statistiques des modles tablis.
Tableau 11.17 Comparaison des coefficients des modles Cohsion et Porosit
tablis avec 55 ou 28 essais (units codes).
Coefficient
Cohsion 55
Cohsion 28
Porosit 55
Porosit 28
a01
4,84
4,81
18,04
18,35
a02
1,99
1,99
16,84
16,84
a03
4,80
4,80
18,10
18,09
a0,12
11,80
11,71
12,57
11,93
a0,13
16,69
16,61
17,66
17,05
a0,23
0,01
0,03
0,11
-0,03
a11
0,05
0,12
7,34
7,15
244
Tableau 11.17 Comparaison des coefficients des modles Cohsion et Porosit

tablis avec 55 ou 28 essais (units codes). (Suite)
Coefficient
Cohsion 55
Cohsion 28
Porosit 55
Porosit 28
a12
0,04
0,00
1,54
1,52
a13
0,00
0,00
1,20
1,20
a1,12
0,10
0,24
10,90
10,47
a1,13
0,03
0,18
12,61
12,30
a1,23
0,01
0,01
9,66
9,61
a21
0,94
0,89
0,16
0,07
a22
1,31
1,31
7,04
7,02
a23
2,45
2,45
8,60
8,60
a2,12
4,67
4,58
0,34
0,20
a2,13
4,86
4,78
0,217
0,14
a2,23
0,01
0,02
5,87
5,80
On peut illustrer le tableau 11.17 par des diagrammes barres qui rvlent immdiatement la concordance des rsultats (Figures 11.5 et 11.6). Les conclusions de
ltude avec 28 essais seront donc les mmes que celles obtenues avec 55 essais.
Cohsion : comparaison des coefficients des modles
tablis avec 55 ou 28 essais
5
0
-5
-10
-15
a0
,1
2
a0
,1
3
a0
,2
3
a1
,1
2
a1
,1
3
a1
,2
3
a2
,1
2
a2
,1
3
a2
,2
3
a2
3
a2
2
a2
1
a1
3
a1
2
a1
1
a0
3
a0
2
-20
a0
1
10
Figure 11.5 Diagramme barres comparant les coefficients des modles

Cohsion obtenus avec 55 essais (en blanc) et avec 28 essais (en gris).
245
Porosit : comparaison des coefficients des modles

tablis avec 55 ou 28 essais
20.00
15.00
10.00
5.00
0.00
-5.00
-10.00
-15.00
a2
3
a0
,1
2
a0
,1
3
a0
,2
3
a1
,1
2
a1
,1
3
a1
,2
3
a2
,1
2
a2
,1
3
a2
,2
3
a2
2
a2
1
a1
2
a1
3
a1
1
a0
3
a0
2
a0
1
-20.00

Figure 11.6 Diagramme barres comparant les coefficients des modles
Porosit obtenus avec 55 essais (en blanc) et avec 28 essais (en gris).
Grce aux modles, on peut tracer les diagrammes (cadence pression) pour diffrentes compositions du mlange amidon-lactose-cellulose. On saperoit que la
porosit peut tre comprise entre 17 et 22 pour toutes les compositions du mlange
condition de bien choisir les niveaux de la cadence et de la pression (Figure 11.7).
Amidon
17
17
22
22
0,4
0,6
17
22
0,2
17
17
122
Lactose
0,8
17
0,8
0,6
22
Porosit
0,4
0,2
22
Cellulose
Figure 11.7 Lobjectif de porosit (partie blanche) des diagrammes (cadence pression)
peut tre atteint pour toutes les compositions du mlange.
246
On constate galement quune cohsion comprise entre 3 et 5 ne peut tre respecte

que pour les faibles teneurs en amidon (Figure 11.8).
Amidon
0,4
0,6
0,2
0,8
0,8
0,6
Lactose
0,2
0,4
1
0
Cellulose
Cohsion
Figure 11.8 Lobjectif de cohsion (partie blanche) des diagrammes (cadence pression)
ne peut tre atteint que pour les basses teneurs en amidon.
Plusieurs solutions sont possibles et lexprimentateur choisira celles qui, par exemple,
diminuent les cots de fabrication en travaillant cadence leve. Plusieurs mlanges
caractriss par une forte teneur en cellulose sont possibles pour maximiser la
production. Par exemple, un mlange contenant 94 % de cellulose, 4 % de lactose
et 2 % damidon pourrait convenir. Un mlange contenant 80 % de cellulose, 12 %
de lactose et 8 % damidon conviendrait galement. Lexprimentateur choisit de
vrifier les conclusions de linterprtation du plan dexpriences avec le mlange :
85 % de cellulose, 10 % de lactose et 5 % damidon.
1
5
17
Pression
22
1
1
Cadence
Figure 11.9 Avec le mlange (85 % de cellulose + 10 % de lactose + 5 % damidon),
les objectifs sont atteints si la pression reste entre les niveaux +0,15 et 0,40.
247
Les expriences de vrification confirment les prvisions et lexprimentateur peut

faire ses recommandations en donnant la composition du mlange et les rglages
des facteurs de procd. La cadence peut prendre tous les niveaux entre 1 et +1
mais la pression doit tre contrle et rester entre les niveaux +0,15 et 0,40.

Les plans optimaux sont galement trs utiles pour sauver un plan mal conu. Cette
situation apparat quand lexprimentateur norganise pas ses essais convenablement.
Les points dexpriences peuvent tre disperss de manire alatoire ou suivre une
logique incompatible avec lobtention dun modle permettant des prvisions
fiables. Citons un cas extrme pour bien faire ressortir les consquences dune
mauvaise organisation des essais : on suppose que les points sont disposs comme
lindique la figure 11.10.
Facteur 2
+1
+1
Facteur 1
Figure 11.10 Disposition des points dexpriences.
Lexprimentateur est intress par un modle du premier degr :

y = a0 + a1x1 + a2x2
Mais cette disposition des points dexpriences pose un gros problme. En effet,
les niveaux des deux facteurs sont lis par la relation :
x1
---- = 1
x2
Le modle devient :
y = a0 + (a1+ a2)x1
On ne peut estimer que la somme des coefficients.
Cet exemple caricatural montre les consquences dune corrlation, cest--dire
dune relation linaire, entre les niveaux des facteurs. Si les points dexpriences sont
aligns ou presque aligns, il y a une forte corrlation entre les niveaux des facteurs et
les coefficients sont trs fortement dpendants les uns des autres et possdent des
carts-types trs levs. Les modles sont alors inutilisables pour faire des prvisions
prcises puisque les incertitudes sur les coefficients se transmettent aux rponses
calcules. Faut-il pour autant ne pas utiliser les rsultats dj obtenus ?
248
Cette introduction nous permettra de mieux comprendre lexemple suivant sur la

mise au point dune crme de bronzage.
Les crmes bronzer sont prpares partir dun sucre naturel dont on extrait un
principe actif permettant de pigmenter la peau. Le principe actif est la dihydroactone (DHA) qui est prpare industriellement par un procd de cristallisation. La
DHA brute est dissoute dans un mlange eau-solvant organique. Ce mlange est
refroidi lentement de 40 C 10 C sous agitation. Pendant le refroidissement,
les cristaux se forment et sont rcuprs par filtration. Le responsable de la fabrication
avait constat que le rendement de fabrication tait compris entre 40 et 48 %. Il aurait
bien aim augmenter ce rendement. Il pouvait modifier le rapport eau/solvant et
la vitesse dagitation qui taient respectivement gaux, dans les conditions normales
de fabrication, 70 % et 200 tr/min.
Pour cela il dcida de faire quelques essais en modifiant le rapport eau/solvant
organique entre 60 et 80 % et la vitesse dagitation entre 160 et 240 tr/min. Il
effectua quatre essais diffrents et prit la prcaution de faire deux expriences pour
chaque essai.
m Facteurs et domaine
Lexprimentateur retient donc les facteurs et les domaines suivants :

Facteur 1 : rapport eau/solvant organique (entre 60 et 80 %).
Facteur 2 : agitation (entre 160 et 240 tr/min).
Il ralise les essais et mesure avec soin les rendements obtenus. Pour tre sr davoir
une exprimentation complte, il ajoute deux expriences ralises dans les conditions
normales de fabrication.
Les rsultats exprimentaux sont consigns dans le tableau 11.18.
Tableau 11.18 Matrice dexpriences (units non codes) et rsultats exprimentaux.
Essai n
Rapport eau/solvant
organique (% deau)
Agitation (tr/min)
70
200
45,5
43
80
240
44
39,5
75
224
41
40
61
160
46
49
60
160
45
49,5
Rendement (%)
249
11.9.3 Interprtation
m Premire interprtation
Lexprimentateur commence par calculer les coefficients du modle polynomial

et leur cart-type en utilisant les units codes. sa grande dception aucun des
coefficients nest significatif. Que se passe-t-il donc et pourquoi ces expriences
napportent-elles pas une rponse la question pose ? Le rendement serait-il
toujours peu prs le mme malgr les changements de conditions opratoires ?
Tableau 11.19 Importance des coefficients du modle de la rponse rendement
calcule avec le modle 1 (units codes).
Coefficient
Valeur
cart-type
t de Student
p-value
Constante
41,875
3,716
11,27
0,0004
Rapport eau/solvant organique (1)
5,125
21,86
0,23
0,8261
Agitation (2)
7,875
21,99
0,37
0,7291
a12
2,625
4,48
0,59
0,5898
Pour essayer de comprendre, lexprimentateur crit le modle :

y = 47,9 + 5,1 x1 7,9 x2 + 2,6 x1x2
{modle 1}
puis il calcule les rponses prvues et regarde les intervalles de confiance 95 %.

Ces intervalles de confiance sont grands et il est statistiquement impossible de
distinguer les rponses les unes des autres.
Tableau 11.20 Intervalles de confiance des rponses prvues (modle 1).
Essai
n
Rapport eau/solvant
organique (% deau)
Agitation
(tr/min)
Rendement
prvu
Intervalle de confiance
95 %
80
240
41,7
33,2 50,3
75
224
40,5
31,9 49
61
160
47,5
38,9 56,0
60
160
47,25
38,7 55,8
Troubl, lexprimentateur dcide daller voir lexpert en plans dexpriences de

son entreprise.
m Consultation de lexpert en plans dexpriences
Lexpert commence par regarder o se localisent les expriences dans le domaine

exprimental. Il trace un diagramme analogue la figure 11.11. Par un hasard tout
250
fait malheureux, les points dexpriences sont presque aligns. La surface dlimite
par les points dexpriences est toute petite. Cest l que se trouve lorigine de tous
les ennuis de lexprimentateur.
Agitation (2)
240
220
Rapport Eau/solvant (1)
200
60
70
65
75
80
180
160
Figure 11.11 Emplacement des points dexpriences et domaine exprimental.
Lexpert explique alors lexprimentateur que le problme est facile corriger. Il

suffit dagrandir le domaine dtude en incorporant des points dexpriences
supplmentaires bien placs. Dans le cas de deux facteurs, on peut raliser cette
opration facilement. Lorsquil y a plus de deux facteurs, lopration ne peut se
faire quavec un logiciel qui sait comment agrandir un volume multidimensionnel
avec le minimum de points dexpriences : le logiciel maximise le dterminant de
la matrice XX . La rparation du plan dexpriences consiste donc construire un
plan D-optimal en ajoutant des points dexpriences aux essais dj raliss.
Lexpert continue dexpliquer quavec deux facteurs il est facile de voir si les points
dexpriences sont aligns ou presque aligns mais que pour les espaces multidimensionnels, il faut utiliser les corrlations entre les niveaux des facteurs. Si la
corrlation entre les niveaux de deux facteurs est proche de 1, les points reprsentatifs sont aligns. Au fur et mesure que la corrlation diminue, les points sont de
moins en moins aligns et, lorsque la corrlation est nulle, les points ne sont plus
251
du tout aligns. Les plans factoriels, les plans pour surfaces de rponse classiques et
les plans D-optimaux rpondent ces impratifs.
Agitation (2)
240
220
Rapport Eau/solvant (1)

60
200
70
65
75
80
180
160
Figure 11.12 Emplacement des points dexpriences supplmentaires

et nouveau domaine exprimental.
m Essais rparateurs et nouvelle interprtation
Il faut, expliqua lexpert, utiliser tout le domaine exprimental. Puisque vous aviez
dcid de faire varier le rapport eau/solvant organique entre 60 et 80 %, il faut
raliser les expriences ces valeurs. Il en est de mme pour la vitesse dagitation
qui doit tre teste 160 et 240 tr/min. Il suffit donc dajouter deux essais ceux
que vous avez dj faits et vous devriez, cette fois, obtenir de bons rsultats. Ces essais
sont indiqus dans le tableau 11.21 et illustrs par la figure 11.12.
Tableau 11.21 Les essais rparateurs et leurs rsultats exprimentaux (units non codes).
252
Essai n
Rapport eau/solvant
organique (% deau)
Agitation (tr/min)
60
240
59,5
60
80
160
24
21
Rendement (%)
Lexprimentateur ralise alors les deux essais supplmentaires et les rpte pour
tre homogne avec la premire srie dessais. Il reprend les calculs en incorporant
tous les essais raliss sauf les points de contrle au centre. Puis, il consigne ses
rsultats dans un tableau (Tableau 11.22) et crit le modle correspondant :
y = 42,6 11,1 x1 + 7,5 x2 + 1,7 x1x2
{modle 2}
Tableau 11.22 Importance des coefficients du modle 2 sur la rponse Rendement

(units codes).
Coefficient
Valeur
cart-type
t de Student
p-value
Constante
42,62
0,659
64,69
< 0,0001
Rapport eau/solvant organique (1)
11,07
0,722
15,33
< 0,0001
Agitation (2)
7,49
0,702
10,66
< 0,0001
a12
1,75
0,737
2,38
0,0447
Lexprimentateur utilise le modle 2 pour calculer les rponses prvues et regarde

les intervalles de confiance. Ces intervalles sont plus petits que prcdemment et la
diffrence entre la plus faible et la plus forte valeur est significative. Il sait maintenant
quil peut amliorer le rendement des cristaux de DHA en diminuant le rapport
eau/solvant organique et en augmentant la vitesse dagitation. Il peut esprer un
rendement de 60 % avec un intervalle de confiance 95 % de plus ou moins 7 %.
Tableau 11.23 Intervalles de confiance des rponses prvues

avec le modle 2.
Essai n
Rapport eau/solvant
organique (% deau)
Agitation
(tr/min)
Rendement
prvu
Intervalle de
confiance 95 %
80
240
40,78
34,8 46,8
75
224
42,10
36,6 47,6
61
160
46,7
41 52,4
60
160
47,9
42,2 53,7
60
240
59,4
53,2 65,7
60
160
22,3
16 28,5
Lexprimentateur procde alors aux essais de vrification et constate que les prvisions sont bien en accord avec les rsultats exprimentaux.
253
Rendement
60
40
20
1
+1
Rapport Eau/Solvant
(1)
1
160
0
200
+1
240
Vitesse d'agitation
(2)
Figure 11.13 Le meilleur rendement est obtenu quand le rapport eau/solvant

est au niveau 1 (60 %) et la vitesse dagitation au niveau +1 (240 tr/min).
La conclusion de ltude est trs simple : on peut amliorer de manire significative le rendement de fabrication de la DHA en choisissant un rapport eau/solvant
organique de 60 % et une vitesse dagitation de 240 tr/min. Lexprimentateur
mit immdiatement ces nouveaux rglages en pratique.
254
12 CARRS LATINS ET PLANS ASSOCIS
Les carrs latins figurent parmi les premiers plans dexpriences introduits dans lexprimentation. Ils sont surtout utiliss pour les variables discrtes. Le plus simple des
carrs latins permet dtudier 3 facteurs prenant 3 niveaux en 9 essais au lieu de 27.
Il sagit donc, si lon tend la notation des plans factoriels fractionnaires aux carrs
latins, dun plan 33-1. On appelle aussi carrs latins des plans ayant toujours 3 facteurs
mais possdant 4 et 5 niveaux par facteurs. On peut aussi imaginer des plans de
4 facteurs ayant 4 niveaux par facteurs. Il sagit alors de plans grco-latins ou plus
simplement de plans 44-2 qui ne comprennent que 16 essais au lieu de 256 pour le
plan complet 44. La dnomination carr latin vient du fait que les premires reprsentations de ces plans utilisaient des lettres latines pour dsigner le troisime facteur.
La dnomination grco-latin vient du fait que les niveaux du troisime facteur taient
dsigns par des lettres latines et ceux du quatrime facteur par des lettres grecques. Si le nombre de niveaux dpasse 5, on parle de carrs de Youden en hommage
au chimiste qui les a introduits. On peut avoir, par exemple, un plan de 2 facteurs
prenant 7 niveaux ou un plan de 3 facteurs prenant 8 niveaux. On peut poursuivre
lextension de ces plans un nombre quelconque de facteurs et de niveaux.
Les variables discrtes doivent tre modlises et interprtes dune manire particulire. En effet, les facteurs ne forment plus un espace continu et la notion de
distance disparat. Il convient donc avant daborder les carrs latins et les plans
associs de dfinir les modles mathmatiques employs, dintroduire la notion deffet
dun facteur et dexaminer les outils dinterprtation.
12.1 Exemple 19 : les salaires un facteur discret

plusieurs niveaux
Nous nous appuierons sur lexemple 19 sur les salaires, pour commencer cette tude
des plans pour facteurs discrets.
12.1.1 Modle mathmatique
Prenons lexemple de trois personnes qui ont gagn des salaires diffrents. Jacques
a gagn 90 , Lee 120 et Simon 180 . Le salaire est modlis par la relation :
yi = y + ai + ei
{12.1}
y i est le salaire de la personne i : cest la rponse.

y est la moyenne des trois salaires.
255
12 Carrs latins
et plans associs
12.1 Exemple 19 : les salaires

un facteur discret plusieurs niveaux
a i est leffet la personne i.

e i est un terme dcart.
Leffet de Jacques est aJ, leffet de Lee aL et leffet de Simon aS (Figure 12.1). Les
effets sont reprs par rapport la moyenne. Il sagit donc des rponses corriges
de la moyenne que nous avons rencontres au chapitre 5 (analyse de la variance).
Ces effets ne sont pas indpendants et il existe la relation :
aJ + aL + aS = 0
Quand on connat deux effets, on peut calculer le troisime.
La relation {12.1} peut scrire :
yi = y + ai + ei
On en dduit que la somme des carrs des rponses corriges de la moyenne est
gale la somme des carrs des effets augmente de la somme des carrs des carts
(le terme a i e i est gal 0) :
( yi y )
ys
ai + ei
2
180
as
Figure 12.1 Dfinition

des effets des variables discrtes.
130
aL
yL
120
aJ
yJ
90
Application numrique
Reprenons lexemple des trois personnes qui ont gagn des salaires diffrents. La moyenne des
salaires est gale 130 :
1
y = --- ( 90 + 120 + 180 ) = 130
3
a J = y J y = 90 130 = 40
a L = y L y = 120 130 = 10
a S = y S y = 180 130 = 50
a J + a L + a S = 40 10 + 50 = 0
Leffet de Jacques est :

Leffet de Lee est :
Leffet de Simon est :
On a bien :
Dans cet exemple il y a trois quations. On peut calculer trois inconnues : la moyenne et deux
effets. On peut en dduire le troisime effet, mais on ne peut pas calculer les carts qui sont alors
gaux 0.
Calculons la somme des carrs des rponses corriges de la moyenne :

2
( y J y ) + ( y L y ) + ( y S y ) = ( 40 ) + ( 10 ) + ( 50 ) = 4 200
256
12 Carrs latins
et plans associs
12.2 Suite de lexemple 19 deux facteurs discrets

plusieurs niveaux
12.1.2 Effet global dun facteur
Leffet global des salaires ne peut pas tre dfini par la somme des effets qui est
toujours gale zro. Cest pourquoi on utilise la moyenne quadratique. Leffet
moyen a des salaires est dfini par la relation :
2
2
2
1 2
a = --- [ a J + a L + a S ]
3
Dune manire plus gnrale, si un facteur prend n niveaux, le carr de leffet
global est dfini par :
i=n
2
1
a = --- a i
n
2
i=1
3
= a J + a L + a S = ( 40 ) + ( 10 ) + ( 50 ) = 4 200
2
1
a = --- 4 200 = 1 400
3
a = 37,41

plusieurs niveaux
12.2.1 Plan dexpriences
Poursuivons avec le mme exemple sur les salaires mais supposons maintenant que la
rponse dpend de deux facteurs discrets prenant chacun trois niveaux : la rponse
salaire dpend de la qualification de la personne (Jacques a un effet aJ, Lee, un
effet aL, Simon, un effet aS) et de lemployeur (lentreprise A a un effet bA, lentreprise B, un effet bB, lentreprise C, un effet bC). Jacques a travaill chez A, puis chez
B et enfin chez C. Il en est de mme pour Lee et pour Simon. Les neuf points
dexpriences sont disposs comme lindique la figure 12.2. Il sagit dun plan 32.
Employeur
A
Jacques
Lee
Simon
Personne
Figure 12.2 Plan complet pour tudier deux facteurs discrets ayant chacun trois niveaux.
257
12 Carrs latins
et plans associs

plusieurs niveaux
Les salaires gagns par les 3 personnes dans les 3 entreprises sont consigns dans le
tableau 12.1 et illustrs par la figure 12.3.
Essai n
Personne
(1)
Employeur
(2)
Salaire
Jacques
85
Jacques
93
Jacques
92
Lee
116
Lee
121
Lee
123
Simon
174
Simon
182
Simon
184
ys
Simon
184
182
180
174
as
y
yL
Lee
130
aL
120
123
aJ
yJ
93
Jacques
121
116
90
92
85
Figure 12.3 Rpartition des rponses autour des moyennes.
12.2.2 Modle mathmatique
Les salaires sont modliss par la relation :

y i, j = y + a i + b j + e i, j
y i, j est le salaire de la personne i qui a travaill dans lentreprise j.
258
{12.2}
12 Carrs latins
et plans associs

plusieurs niveaux
y est la moyenne des neuf salaires.

ai est leffet de la personne i.
bj est leffet de lentreprise j.
ei, j est un terme dcart qui dpend de la personne et de lentreprise.
Comme les effets sont reprs par rapport la moyenne, ils ne sont pas indpendants
et on a les relations suivantes :
aJ + aL + aS = 0
bA + bB + bC = 0
On introduit les gains moyens de chaque personne. Par exemple, le gain moyen y J
de Jacques est gal :
1
{12.3}
y J = --- [ y J, A + y J, B + y J, C ]
3
On a donc la contrainte :
( y J, A y J ) + ( y J, B y J ) + ( y J, C y J ) = 0
On a de mme les contraintes suivantes pour Lee et Simon :
( y L, A y L ) + ( y L, B y L ) + ( y L, C y L ) = 0
( y S, A y S ) + ( y S, B y S ) + ( y S, C y S ) = 0
Des contraintes analogues existent pour les entreprises puisquon introduit galement
les salaires moyens verss par les entreprises :
( y J, A y A ) + ( y L, A y A ) + ( y S, A y A ) = 0
( y J, B y B ) + ( y L, B y B ) + ( y S, B y B ) = 0
( y J, C y C ) + ( y L, C y C ) + ( y S, C y C ) = 0
Linterprtation est base dune part sur les effets de chaque facteur et dautre part
sur lanalyse des carrs des rponses corriges de la moyenne.
12.2.3 Effet des facteurs
On repre les effets partir de la moyenne de toutes les rponses y :
1
y = --- [ 85 + 93 + 92 + 116 + 121 + 123 + 174 + 182 + 184 ] = 130
9
Leffet de Jacques est la moyenne de ses gains y J par rapport la moyenne gnrale :
1
a J = y J y = --- ( 85 + 92 + 93 ) 130 = 40
3
Les effets de Lee et de Simon sont calculs de la mme manire. On trouve aL = 10
et aS = 50.
Leffet de lentreprise A est la moyenne des salaires quelle a distribus par rapport
la moyenne gnrale :
1
b A = y A y = --- ( 85 + 116 + 174 ) 130 = 5
3
259
12 Carrs latins
et plans associs

plusieurs niveaux
Les effets des entreprises B et C sont calculs de la mme manire. On trouve bB = 2

et bC = 3.
On peut donc dresser le tableau des effets des deux facteurs tudis (Tableau 12.2).
Tableau 12.2 Effets des facteurs.
Facteurs
Valeurs
Moyenne
130
Jacques
40
Lee
10
Simon
50
Entreprise A
Entreprise B
Entreprise C
Effets des deux facteurs

60
Valeur des effets
40
20
20
40
60
Jacques
Lee
Simon
Entreprise A
Entreprise B
Entreprise C
Nom des effets
Figure 12.4 Diagramme barres des effets des facteurs : personnes et entreprises.
12.2.4 Analyse des sommes de carrs
levons les relations {12.2} au carr et additionnons ces carrs :
( y i, j y )
a i + b j + e i, j
2
La somme des carrs des rponses mesures corriges de la moyenne est gale aux
sommes des carrs des effets augmentes de la somme des carrs des carts.
260
12 Carrs latins
et plans associs

plusieurs niveaux
1. Calcul de
( yi, j y )
. Calculons les rponses mesures corriges de la moyenne et leurs carrs
(Tableau 12.3).
Tableau 12.3 Calcul des carrs des rponses mesures corriges de la moyenne.
Essai n
Rponses
initiales
Moyenne
Rponses corriges
de la moyenne
Carr des rponses

corriges de la moyenne
85
130
45
2 025
93
130
37
1 369
92
130
38
1 444
116
130
14
196
121
130
81
123
130
49
174
130
44
1 936
182
130
52
2 704
184
130
54
2 916
Puis additionnons ces carrs. On trouve que la somme des carrs des rponses mesures corriges
de la moyenne est gale 12 720.
2. Calcul de
ai . Calculons les effets des personnes et leurs carrs pour tous les essais (Tableau 12.4).
2
Tableau 12.4 Calcul des carrs des effets des personnes.

Essai n
Moyennes des
salaires touchs
Moyenne
gnrale
Effets des
individus
Carr des effets

des individus
90
130
40
1 600
90
130
40
1 600
90
130
40
1 600
120
130
10
100
120
130
10
100
120
130
10
100
180
130
50
2 500
180
130
50
2 500
180
130
50
2 500
261
12 Carrs latins
et plans associs

plusieurs niveaux
Additionnons ces carrs. On trouve que la somme des carrs des effets des personnes est gale 12 600.
3. Calcul de
bj . Lentreprise A a pay 85 Jacques, 166 Lee et 174 Simon, soit en

2
moyenne 125 . Leffet de lentreprise A est donc de 125 130 = 5 . De mme, leffet de lentreprise B est de 132 130 = 2 et celui de lentreprise C de 133 130 = 3 .
Calculons les carrs de ces effets des entreprises pour tous les essais (Tableau 12.5).
Tableau 12.5 Calcul des carrs des effets des entreprises.
Essai n
Moyennes des
salaires verss
Moyenne
gnrale
Effets des
entreprises
Carr des effets

des entreprises
125
130
25
132
130
133
130
125
130
25
132
130
133
130
125
130
25
132
130
133
130
Additionnons ces carrs. On trouve que la somme des carrs des effets des entreprises est gale 114.
2
4. Calcul de e i, j . Calculons la diffrence entre les rponses mesures et les rponses calcules :
e J, A = y J, A ( y + a J + b A ) = 85 ( 130 40 5 ) = 0
e J, B = y J, B ( y + a J + b B ) = 93 ( 130 40 + 2 ) = 1
e J, C = y J, C ( y + a J + b C ) = 92 ( 130 40 + 3 ) = 1
e L, A = y L, A ( y + a L + b A ) = 116 ( 130 10 5 ) = 1
e L, B = y L, B ( y + a L + b B ) = 121 ( 130 10 + 2 ) = 1
e L, C = y L, C ( y + a L + b C ) = 123 ( 130 10 + 3 ) = 0
e S, A = y S, A ( y + a S + b A ) = 174 ( 130 + 50 5 ) = 1
e S, B = y S, B ( y + a S + b B ) = 182 ( 130 + 50 + 2 ) = 0
e S, C = y S, C ( y + a S + b C ) = 184 ( 130 + 50 + 3 ) = 1
Do la somme des carrs des rsidus :
ei, j = eJA + eJB + eJC + eLA + eLB + eLC + eSA + eSB + eSC
2
2
2
2
2
2
2
2
2
2
ei, j = 0 + 1 + ( 1 ) + 1 + 1 + 0 + 1 + 0 + ( 1 ) =
2
262
12 Carrs latins
et plans associs

plusieurs niveaux
On rassemble tous les carrs que nous venons de calculer dans le tableau de lanalyse des sommes de
carrs (Tableau 12.6). La somme des carrs des rponses mesures est dcompose en trois sommes
de carrs : celle due aux personnes, celle due aux entreprises et celle due aux rsidus. Le facteur qui
possde la somme de carrs la plus leve est le facteur le plus influent. Dans le cas de cet exemple,
les rsultats montrent que la qualification des personnes est le facteur le plus influent sur les salaires
reus. Le modle explique 12 714 sur les 12 720 expliquer (R2 = 0,9995). Cest un bon modle.
Tableau 12.6 Analyse des sommes de carrs.
Somme des carrs
Personnes
12 600
Entreprises
114
Rsidus
Total (rponses mesures)
12 720
On additionne les sommes des carrs des facteurs pour avoir la somme des carrs du modle. Ici, la
somme des carrs du modle est gale la somme des carrs des personnes augmente de celle des
entreprises :
Somme des carrs du modle = 12 600 + 114 = 12 714
12.2.5 Analyse de la variance
Si lon introduit les degrs de libert, on peut transformer le tableau 12.6 en un

tableau danalyse de la variance. En effet, les variances sont les sommes des carrs des
rponses corriges de la moyenne divise par le nombre de degrs de libert correspondant.
Il y a 9 rponses mesures qui sont mathmatiquement indpendantes. Les rponses
mesures corriges de la moyenne ne sont plus indpendantes puisquon peut
calculer la dernire avec les 8 premires et la moyenne. La somme des carrs des
rponses mesures corriges de la moyenne ne possde plus que 8 degrs de libert.
Les effets des personnes ne possdent que 2 degrs de libert puisquon les repre
par rapport leur moyenne. Il en est de mme des effets des entreprises. La somme
des carrs du modle possde donc 4 degrs de libert. En tenant compte des
contraintes qui existent entre les rponses et les moyennes qui servent calculer les
rsidus, on en conclut que le nombre de degrs de libert des rsidus est de 4.
Ces lments permettent de dresser le tableau de lanalyse de la variance (Tableau 12.7).
Somme des carrs
ddl
Carrs moyens
F de Fisher moyens
Modle
12 714
3 178,50
2 119
Rsidus
1,5
Prob F < 0,0001
Total (rponses mesures

corriges de la moyenne)
12 720
263
12 Carrs latins
et plans associs
12.3 Carrs latins
Le F de Fisher est trs lev, on peut en conclure que le modle explique bien les
rponses mesures.
12.3 Carrs latins

Si lon veut tudier 3 facteurs prenant chacun 3 niveaux, il faudrait excuter
33 = 27 essais dans le cas dun plan complet. Ce nombre dessais est beaucoup trop
important et les exprimentateurs ont cherch le rduire. Des plans fractionnaires ont t proposs. Au lieu de faire 27 essais on peut construire un plan de 9 essais.
On a ainsi un plan 33-1. Pour russir la construction dun tel plan, il ne faut pas
disposer les points dexpriences au hasard. On part dun plan 32 et on attribue les
trois lettres latines a, b et c aux points dexpriences de telle manire que lon
retrouve a, b et c sur toutes les lignes et sur toutes les ranges sans quil y ait deux
fois la mme lettre (Figure 12.5).
b
III
Facteur 2
(chiffres romains)
II
I
1
Facteur 1 (chiffres arabes)

Facteur 3 (lettres latines)
Figure 12.5 Carr latin pour tudier trois facteurs ayant chacun trois niveaux.
Il y a douze arrangements possibles des points dexpriences qui respectent la

disposition de ces carrs latins. Un moyen possible de randomiser les essais, est de
choisir lun de ces arrangements au hasard comme plan dexpriences.
On peut aussi donner une reprsentation tridimensionnelle de ce plan
(Figure 12.6).
Sil y a 3 facteurs prenant chacun 4 niveaux, il faudrait excuter 43 = 64 essais dans
le cas dun plan complet. Le plan en carr latin propose de nexcuter que 16
essais. L aussi les points ne sont pas disposs au hasard (Figure 12.7).
Ces plans sont surtout utiliss pour les variables discrtes et le modle mathmatique est le suivant :
y i, j, k = y + a i + b j + c k + e i, j, k
264
12 Carrs latins
et plans associs
Facteur 3
(lettres latines)
III
II
I
1
Facteur 2
(chiffres romains)
Figure 12.6 Vue en trois dimensions dun plan en carrs latins.
IV
III
Facteur 2
(chiffres romains)
II
I
1

Facteur 3 (lettres latines)
Figure 12.7 Carr latin pour tudier 3 facteurs ayant chacun 4 niveaux.

Les carrs grco-latins sont des plans de 16 essais permettant dtudier 4 facteurs
ayant chacun 4 niveaux. Ce sont des plans 44-2 (Figure 12.8). Les emplacements
des points exprimentaux sont tels que chaque lettre, latine ou grecque, soit sur
toutes les lignes et sur toutes les ranges sans quil ny ait deux fois la mme lettre.
265
12 Carrs latins
et plans associs
IV
III
Facteur 2
(chiffres romains)
II
Figure 12.8 Carr grco-latin
pour tudier 4 facteurs
ayant chacun 4 niveaux.

Facteur 3 : lettres latines
Facteur 4 : lettres grecques
Ces plans sont utiliss pour les variables discrtes et le modle mathmatique est :
y i, j, k , l = y + a i + b j + c k + d l + e i, j, k , l

Youden a dvelopp des plans pour deux ou plusieurs variables discrtes prenant
plus de quatre niveaux (Figure 12.9). Le principe est analogue celui des carrs
latins. On rduit le nombre des essais en retirant des points au plan complet. Les
points exprimentaux sont disposs comme pour les carrs latins et les carrs
grco-latins.
VI I
VI
V
Facteur 2
(chiffres romains)
IV
III
II
Figure 12.9 Plan de Youden

pour 2 facteurs prenant 7 niveaux.
I
1
266
12 Carrs latins
et plans associs
Au lieu davoir un essai par niveau, on peut en avoir deux et plus (Figure 12.10).
VI I
VI
V
Facteur 2
(chiffres romains)
IV
III
II
I
1
Figure 12.10 Plan de Youden pour 2 facteurs ayant 2 essais

pour chacun des 7 niveaux.
Un exprimentateur dsire slectionner une mthode permettant de mesurer la

consistance dun gel. Il enfonce un stylet dans la matire une vitesse et une
profondeur donnes. Il mesure la rsistance au mouvement oppose par la matire
glifie. Il tudie trois formes de stylet (cylindre, cne et disque), trois vitesses (lente,
moyenne et rapide) et trois profondeurs (faible, moyenne et forte) (Tableau 12.8).
Il effectue un plan en carr latin de 9 essais au lieu deffectuer les 27 combinaisons
possibles. Lobjectif de ltude est de trouver la forme de stylet et les conditions
dutilisation qui maximisent la rsistance au mouvement.
Facteur
Niveau bas
Niveau moyen
Niveau haut
Forme (1)
Cylindre
Cne
Disque
Vitesse (2)
Lente
Moyenne
Rapide
Profondeur (3)
Faible
Moyenne
Forte
267
12 Carrs latins
et plans associs
Les rsultats de lexprimentation sont donns dans le tableau 12.9.

Tableau 12.9 Matrice dexpriences du plan en carr latin.
Essai n
Forme
(1)
Vitesse
(2)
Profondeur
(3)
Rsistance
17,1
20,2
27,0
8,7
10,6
7,4
62,3
70,8
86,1
Cylindre
Lente
Faible
Cne
Moyenne
Moyenne
Disque
Rapide
Forte
12.6.3 Interprtation des rsultats
Linterprtation est base sur le calcul des effets individuels des facteurs
(Tableau 12.10) et sur lanalyse de la variance (Tableau 12.11). On constate que la
forme est le facteur le plus influent. Parmi les trois formes, cest le disque qui offre
la rsistance la plus leve.
Tableau 12.10 Effet des facteurs.
268
Facteurs
Effet
Moyenne
34,5
Cne
25,6
Cylindre
13
Disque
38,6
12 Carrs latins
et plans associs
Tableau 12.10 Effet des facteurs. (Suite)

Facteurs
Effet
Vitesse lente
5,1
Vitesse moyenne
0,6
Vitesse rapide
5,7
Profondeur faible
2,7
Profondeur moyenne
3,9
Profondeur forte
1,2
Ce tableau peut prendre laspect dun graphique (Figure 12.11).
Rsistance
100
75
50
25
Forme (1)
Vitesse (2)
Moyenne
Forte
Faible
Rapide
Moyenne
Lente
Disque
Cne
Cylindre
Profondeur (3)
Figure 12.11 La rsistance est la plus leve lorsque la mesure est effectue avec un disque,
vitesse rapide et profondeur moyenne.
Somme
des carrs
ddl
Carrs
moyens
F de
Fisher
Probabilit
Formes
6 940,4467
3 470,22335
69,40
0,0142
Vitesse
176,5800
88,29
1,76
0,3616
Profondeur
70,8067
35,40335
0,708
0,5855
Rsidus
100,0067
50
Total (rponses mesures)
7 287,8400
269
12 Carrs latins
et plans associs
On peut conclure que cest le facteur forme qui contribue le plus aux variations
de la rponse et cest le disque qui oppose la plus grande rsistance au dplacement
du stylet. Pour faire les mesures, on choisira donc un disque. Les deux autres facteurs
vitesse et profondeur ont peu dinfluence. La rsistance semble toutefois
tre augmente par une vitesse rapide. Les essais de contrle ont montr quun disque
tournant rapidement permettait effectivement dobtenir une bonne prcision sur
les mesures.
270
13 SYNTHSE ET CONSEILS
La mthodologie dcrite dans cet ouvrage pour conduire des recherches et organiser
des essais apporte souplesse, prcision, sret, gain de temps et conomie dargent
dans toute exprimentation. On peut se demander si elle na que des qualits et sil
ne faut pas se poser la question de ses limites et de son domaine de validit. Dans
ce chapitre nous voulons faire la synthse de toutes les connaissances acquises :
nous examinerons ce que la mthode des plans dexpriences peut nous apporter
et ce quelle ne peut pas faire. Nous en profiterons pour donner quelques conseils
et montrer les dveloppements que lon peut envisager pour approfondir la
mthode des plans dexpriences.
La dmarche utilise pour mener bien, et dans les meilleures conditions, toute
exprimentation peut tre rsume dans un schma de synthse (Figure 13.1),
schma que nous allons commenter et qui reprend les trois grandes parties de la
mthodologie exprimentale parfois appele exprimentique :
Choix dune mthode dexprimentation.
Analyse des rsultats.
Acquisition progressive des connaissances.
Ce choix doit tre effectu aprs une srie de questions qui visent bien poser le
problme et ne rien oublier avant de raliser les premires expriences.
13.1.1 Bien poser le problme
Cette phase de ltude ne doit jamais tre nglige. Au contraire, il ne faut pas
hsiter y consacrer du temps et faire appel tous les spcialistes concerns.
Toutes les connaissances du sujet trait doivent tre rassembles, analyses, critiques
et values. Il arrive souvent que le problme soit modifi aprs une analyse en
profondeur des connaissances initiales. Lessentiel est de dmarrer ltude dans les
meilleures conditions possibles en intgrant tous les renseignements disponibles. Cest
ainsi que lon acclre les recherches et que lon arrive rapidement des conclusions
justes et prcises. Ngliger cette phase cest aller au devant de mauvaises surprises
et se rserver de cuisants dboires.
271
Choix d'une mthode d'exprimentation

Bien pose r le problme
* Facteurs
* Domaine
* Rponse(s)
Questions pralables
* Existe-t-il des contraintes exprimentales ?
* Existe-t-il des risques d'erreur systmatiques ?
* Faut -il randomiser ?
* A-t-on une estimation de l'erreur exprimentale ?
Acquisition
progressive des
connaissances
* tudie-t-on, tout de suite, tous les facteurs ?

* A-t-on prvu le point central ?
Choix du plan
* Plan complmentaire
* Nouveaux facteurs
* Nouveau domaine
* Nouveau modle
* Nombre de facteurs
* Interactions possibles
* Dcoupage en plusieurs plans
* Ordre des essais
* Modle postul
Exprimentation
Analyse des rsultats

Examen critique
* Valeurs suspectes
* Facteurs au bon niveau
* Calcul des coefficients
* Examen des rsultats
* Est-on dans le domaine d'intrt ?
* Validit du modle postul
Suite donner
Nouveau
domaine ?
Nouveau
modle ?
Plan
complmentaire ?
NON
NON
NON
OUI
ou
OUI
ou
OUI
Figure 13.1 Schma gnral de conduite dune tude.
272
Arrt
m Objectif de ltude
Il est essentiel de bien prciser lobjectif de ltude. Il y a des tudes gnrales

dacquisition de connaissances, des tudes particulires o il faut atteindre un but
prcis, des tudes doptimisation dune ou plusieurs rponses. Selon lobjectif on
ne ralisera ni les mmes essais, ni les mmes plans dexpriences. Il faut, chaque
fois que lon peut, dfinir lobjectif sous une forme quantifiable. Ne pas dire par
exemple obtenir un bon rendement mais obtenir un rendement au moins
gal 80 % . la fin de ltude, il faut tre capable de dire si lobjectif est atteint
ou non. Dans ce dernier cas, il faut pouvoir dire si lon est loin ou prs du but.
m Facteurs
Il faut lister tous les facteurs pouvant intervenir sur le phnomne tudi sans
sautocensurer. Nous avons vu que le nombre de facteurs nest pas une limite
lexprimentation et que les plans fractionnaires permettent de rduire le nombre
des expriences. Il faut vaincre les mauvaises habitudes prises avec la mthode classique du un facteur la fois et ne pas hsiter tudier tous les facteurs pouvant
influencer les rponses. Il faut abandonner les impasses et les hypothses restrictives. Pour ne rien oublier, on pourra utiliser le moyen mnmotechnique des 6M
support par le diagramme dIshikawa :
Mthodes, Machines, Main duvre, Milieu, Matires, Mesures.
m Domaine
La dlimitation des niveaux de chaque facteur sera galement examine avec attention. Le domaine ne doit pas tre trop petit pour que les conclusions aient une
certaine gnralit. Il ne doit pas tre trop grand non plus, car les modles mathmatiques postuls risquent alors de ne plus tre adapts. Le meilleur compromis
est difficile trouver si lon na pas suffisamment de connaissances sur le phnomne tudi. Il est conseill, dans ce cas, de procder une tude pralable pour
orienter le choix des niveaux haut et bas de chaque facteur.
m Rponse(s)
Le choix de la ou des rponses est une tape capitale. Toute lanalyse et toutes les
conclusions dpendent de ce choix. Une rponse mal adapte au problme rendra
lexprimentation inutilisable ou conduira des conclusions sans intrt. La rponse
slectionne doit permettre de rpondre sans ambigut la question pose. Ce
choix nest pas aussi simple que lon pourrait le croire et cest parfois la principale
difficult laquelle on se heurte. Par exemple, nous avons pass beaucoup de temps et
dpens des trsors dimagination pour trouver une rponse permettant de bien
mesurer le ptillant dune eau minrale ou pour valuer le stress des contrleurs du ciel.
13.1.2 Questions pralables
Avant de commencer les expriences, il est ncessaire de se poser un certain nombre

de questions pour orienter le choix du plan initial et des ventuels plans (ou essais)
complmentaires. Voici une liste, non limitative, des questions se poser :
273
m Existe-t-il des contraintes exprimentales ?
Si un rglage est difficile ou si une mise en temprature est longue atteindre, il

faudra envisager de conduire les essais par squences. On effectuera, par exemple,
une srie dessais au niveau bas du rglage (ou de la temprature) suivie dune srie
dessais au niveau haut du rglage (ou de la temprature). Un seul facteur pourra tre
tudi de cette manire. Par exemple dans le cas dun plan 23, cest la colonne 3
quil faut choisir pour tudier ce facteur particulier lorsque lordre des essais est
lordre habituel. Dans les matrices dHadamard il y a toujours une colonne, mais il
ny en a quune, qui est constitue dune srie de signes moins suivie dune srie de
signes plus (ou inversement). La position de cette colonne dpend de lordre dans
lequel les essais ont t choisis.
m Existe-t-il des risques derreurs systmatiques ?
Nous avons vu que les erreurs systmatiques (chapitre 8) avaient une rpercussion
importante sur lvaluation des effets et des interactions. Il est donc important de
se prmunir contre ces erreurs et den attnuer les consquences en choisissant
convenablement lordre des essais.
Si lerreur systmatique risque de modifier les coefficients du modle, il faudra oprer
un blocking. Cest le cas, par exemple, dun plan effectu deux priodes spares
par un long intervalle de temps ou dun plan excut en deux lieux diffrents. Le
blocking permet dobtenir les effets comme si la moyenne ne changeait pas entre
les deux priodes ou les deux localisations. Sil y a risque de drive, il faudra :
soit choisir un ordre des essais tel que les effets principaux ne soient pas affects
dun biais d cette erreur systmatique ;
soit contrler la drive par des mesures au point central (ou autre point de contrle)
et corriger les rponses en consquence ; cette seconde solution est plus prcise
mais plus coteuse en nombre dexpriences.
m Faut-il randomiser ?
Le but de la randomisation est dessayer de rpartir au hasard les petites erreurs

systmatiques et de pouvoir ainsi traiter lerreur exprimentale comme si elle navait
quune composante : lerreur alatoire. Cette procdure est donc utile pour pouvoir
appliquer les tests statistiques, cependant elle a linconvnient de gonfler lerreur
exprimentale.
La bonne dmarche consiste tenir compte de toutes les contraintes et effectuer
les arbitrages en trois temps :
Premier temps : on tient compte des contraintes exprimentales : squence de
niveaux bas/squence de niveaux haut pour un facteur. lintrieur de ces
squences il est encore possible de randomiser. Tous les autres arrangements
permettant de simplifier les manipulations sont videmment possibles et peuvent
tre envisags par lexprimentateur.
Deuxime temps : on prend en compte les erreurs systmatiques : on choisit un
ordre spcial pour tenir compte dune drive, connue ou ventuelle, ou on dcoupe
le plan en plusieurs blocs (blocking).
274
Troisime temps : on randomise ce qui peut ltre encore. Par exemple :

on peut trs bien randomiser les essais lintrieur de chaque bloc aprs avoir
effectu un blocking ;
on peut galement choisir au hasard lun des ordres qui permet dobtenir les
effets principaux non entachs de lerreur de drive ;
sil ny a pas de contraintes exprimentales et sil ny a pas de raison de choisir
un ordre particulier (drive) ou deffectuer un blocking, on randomisera tous
les essais du plan.
m A-t-on une estimation de lerreur exprimentale ?
La connaissance de lerreur exprimentale est importante pour pouvoir apprcier

si un effet est significatif ou non. Lidal est de possder une estimation de cette
erreur base sur un grand nombre de mesures. Malheureusement, cette situation
nest pas souvent remplie et lon est contraint de faire des hypothses pour obtenir
une valuation approche de cette erreur.
La comparaison effet/cart-type nest pas aussi simple que beaucoup de manuels le
laissent supposer et il ne faut pas oublier les nombreuses hypothses, la plupart du
temps caches, pour faire cette comparaison valablement. En effet, aux hypothses
faites pour calculer une erreur exprimentale, il faut ajouter celles que lon fait
pour calculer les effets, en particulier :
La valeur des carts ne dpend pas de la valeur de la rponse. Cette hypothse
est rarement vrifie.
La distribution des carts est une distribution normale. Il existe des tests pour
vrifier si la distribution des carts est normale.
Les carts ne sont pas corrls entre eux.
Absence derreurs systmatiques. Cette hypothse est rarement vrifie.
Lcart-type est le mme dans tout le domaine dtude (homoscdasticit). Cette
hypothse est rarement vrifie.
Indpendance des variables. Il peut arriver que deux variables paraissent indpendantes alors quen ralit il existe une relation cache qui les lie. Cette liaison
cache peut tre introduite par les proprits physico-chimiques des composants intervenant dans ltude.
Le modle mathmatique postul nest quune approximation du modle rel
de la nature.
Le modle mathmatique associ aux plans factoriels est additif.
Cette liste nest probablement pas complte, mais elle montre la fragilit des raisonnements que lon peut faire car, dans la plupart des tudes, ces hypothses ne sont
pas toutes respectes. Lexprimentateur devra donc examiner avec soin la validit des
calculs derreur et se mfier des mthodes automatiques. Il faut bien comprendre
que pour obtenir une information utile tout en diminuant le nombre des essais il a
fallu faire des hypothses simplificatrices. Ces hypothses sont utiles et mme
indispensables mais, pour qui les oublie, le danger est grand de commettre une
bvue ou pire une catastrophe.
Si lon ne possde pas destimation de lerreur et si lon a la possibilit deffectuer
quelques rptitions, la meilleure solution est de raliser des expriences au point
275
central ou sur tout autre point dintrt si le point central est inaccessible. Nous
ninsisterons jamais assez sur lutilit de ces mesures.
m tudie-t-on, tout de suite, tous les facteurs ?
Il se peut que la liste des facteurs tudier soit longue et que les moyens (temps et
budget) ne permettent pas de raliser beaucoup dessais. Dans ce cas, on commencera par slectionner les facteurs qui risquent dtre les plus influents. Les autres
facteurs momentanment non tudis se verront attribuer un niveau fixe pendant
toute lexprimentation. Par exemple, si lon a recens dix facteurs et que lon ne
peut raliser que huit essais, il faudra choisir un plan 27-4 pour tudier sept facteurs
et assigner un niveau constant aux trois autres pendant tout le droulement des
expriences. On se rserve ainsi la possibilit de les rintroduire ensuite dans
ltude sans perdre les huit premiers essais : on leur attribue un niveau diffrent de
celui auquel ils avaient t fixs et lon refait un plan analogue au premier. Cette
opration est linverse du fractionnement : on part dun plan 2k et on lui ajoute 1,
2, 3 p facteurs supplmentaires, on ralise de cette manire un plan 2k+p.
m A-t-on prvu le point central ?
Le point central du domaine est un point privilgi. Cest en ce point que les
rponses calcules sont, en gnral, obtenues avec la meilleure prcision. Cest
aussi le point o la rponse exprimentale est gale la constante du modle.
Si lon effectue plusieurs mesures au point central, on pourra galement avoir une
ide de lerreur exprimentale.
Pour ces raisons, nous conseillons fortement de raliser quelques mesures au point
central ds que cela est possible ou sur tout autre point de contrle si le point central
nexiste pas. Cest une sage prcaution qui valide les hypothses faites ou qui oriente
la suite de lexprimentation vers la bonne direction : modle du second degr dans
la majorit des cas.
13.1.3 Choix du plan
Le choix du plan sera guid par la discussion de tous les points prcdents :
le nombre de facteurs,
les interactions pouvant tre significativement diffrentes de zro,
plan complet ou plan fractionnaire en fonction des contraintes exprimentales,
lordre des essais qui sera dfini,
un point de contrle qui sera le plus souvent prvu avec ou sans rptition.
Ce plan sera ventuellement dcoup en sous-plans (blocking, plans fractionnaires)
pour ne pas engager tout le budget (temps et/ou argent) dans une seule voie de
recherche. On respectera ainsi le principe de lacquisition progressive des connaissances.
Si un facteur nest pas tudi immdiatement mais risque de ltre par la suite, il
faut le maintenir un niveau fixe. On prpare ainsi la suite de lexprimentation.
Il suffira, comme nous lavons dj vu, de lui donner un autre niveau et de raliser
276
13.2 Exprimentation
les nouvelles expriences correspondantes pour obtenir un plan ayant un (ou plusieurs)
facteur de plus.
La mise en forme du plan initial choisi par lexprimentateur sera facilite par la
prsentation que nous avons utilise dans tous nos exemples. Elle rassemble toutes les
donnes : facteurs, domaine et rponses. Elle facilitera le suivi de lexprimentation
et lanalyse des rsultats.
13.2 Exprimentation
Cest une phase trs importante de ltude puisque cest la collecte des donnes.
Les exprimentateurs apporteront donc, comme ils en ont lhabitude, le plus
grand soin raliser les expriences. La qualit de leur travail et de leurs recommandations dpend de la qualit des donnes collectes. Les plans dexpriences
ne les dispenseront pas de bien travailler au contraire ! Loutil est puissant, les
risques sont plus grands.

Avant deffectuer les calculs, lexprimentateur examinera les conditions dexprimentation, les rsultats de ses essais et dcidera dune suite donner.
13.3.1 Examen critique
m Les rsultats sont-ils cohrents ? Ny a-t-il pas de valeurs suspectes ?
Un rsultat faux se rpercutera sur tous les coefficients. Il est donc prudent de sassurer
de la qualit des rsultats avant de commencer les calculs et de faire linterprtation.
Un rsultat suspect peut provenir derreurs de transcription, derreurs de rglage,
dun appareil de mesure dfectueux, dun niveau mal fix, etc.
m Les niveaux des facteurs taient-ils bien fixs aux valeurs prvues ?
Il peut trs bien arriver que, pour un facteur, le niveau 1 (ou +1) soit respect
pour des essais et ne le soit pas pour dautres. Par exemple, le niveau +1 du facteur
3 a t rgl +1,2 au cours des essais n 2 et 5. Les expriences ne sont pas
perdues car il suffit dentrer les bons niveaux dans la matrice dexpriences du
tableur de lordinateur pour que les rsultats soient corrects.
Lorsque lexamen critique des rsultats dexpriences est termin et que lon est sr
que tout est correct, on procde aux calculs des coefficients et des principales
statistiques courantes (carts-types, p-values et R2). On pourra ensuite construire
les graphiques et analyser les rsultats en profondeur.
m Calcul des coefficients
Cette analyse se fait en plusieurs tapes. Ne jamais oublier que les plans fractionnaires donnent des contrastes et non des effets. Cest par commodit de langage
que lon emploie souvent le mot effet la place de contraste. Le calcul pralable et
lexamen des aliases viteront les conclusions htives. Lanalyse est une phase longue
277
et dlicate au cours de laquelle lexprimentateur se livre un examen approfondi

des rsultats :
Quels sont les facteurs influents ?
Quelles sont les interactions significatives ?
Existe-t-il des ambiguts dans les contrastes calculs ?
Le modle mathmatique associ aux plans peut-il orienter les futurs travaux ?
La comparaison constante du modle/rponse mesure au centre valide-telle ou non le modle PDAI ?
Est-il raliste davoir suppos les effets additifs ?
Le domaine contient-il les solutions du problme pos ?
Une analyse des rsidus a-t-elle t pratique pour sassurer que toute linformation
restante a t extraite ?
Lensemble de ces questions, augment de celles qui pourraient se poser en fonction de chaque tude, conduira lexprimentateur raliser des calculs, des graphiques, revenir sur les rsultats, effectuer des comparaisons, cest--dire faire un
examen critique et en profondeur de toute son exprimentation. Le phnomne
tudi aura dj livr une grande partie de ses secrets et peut-tre mme suffisamment pour que ltude soit termine aprs un premier plan. Mais il arrive que des expriences supplmentaires soient ncessaires pour avancer dans la connaissance du
problme pos. Plusieurs voies sont alors envisageables :
13.3.2 Suite donner
En fonction des conclusions du premier plan, lexprimentateur pourra se poser

les questions suivantes :
Faut-il envisager un changement de domaine ?
Faut-il envisager un plan complmentaire (ou des essais complmentaires) ?
Faut-il envisager un autre modle mathmatique ?
m Domaine dintrt
Une extension du domaine dtude est envisager si les premiers rsultats montrent
que la solution espre nest pas dans le domaine dfini au dpart. Les rsultats
acquis orienteront les futurs essais vers le nouveau domaine qui devrait contenir la
solution espre.
m Plans et essais complmentaires
Ce type de plan est envisag lorsquil y a des effets principaux aliass avec des interactions que lon ne peut pas ngliger. Il faut aussi envisager un plan complmentaire
quand le modle PDAI (modle du premier degr avec interactions) postul nexplique
pas bien les rsultats du plan. On passera alors un modle du second degr.
m Le modle postul est-il valide ?
Sil y a de trs fortes interactions ou si la constante du modle diffre de la rponse

mesure au centre, le modle mathmatique postul nest pas valide. Il faut alors
tayer linterprtation sur un modle mathmatique du second degr. Si cela ne
suffit pas, on construira un plan optimal adapt au modle mathmatique qui
reprsente le mieux le phnomne tudi.
278
m Faut-il arrter les essais ?
En fonction des rponses aux questions prcdentes, lexprimentateur pourra soit

arrter les essais : il en sait assez et peut faire des recommandations rpondant
lobjectif de ltude, soit dsirer des informations supplmentaires : il abordera
alors le processus dacquisition progressif des connaissances.
Daprs la figure 13.1, ces situations se traduisent par :
Il faut trois NON pour arrter.
Sil y a un seul OUI il faut parcourir nouveau la boucle. Celle-ci peut, bien
sr, tre parcourue plusieurs fois.

Si lexprimentateur dsire des informations supplmentaires, il devra dfinir les
outils et les mthodes utiliser. Cest en fonction de lanalyse des rsultats et des
questions poses quil choisira sa stratgie :
Plans ou essais complmentaires : ces essais sont ncessaires pour dsaliaser les
effets principaux de certaines interactions. Ils sont aussi indispensables pour
passer dun modle PDAI un modle du second degr (points en toile). Il
faut aussi envisager des essais supplmentaires pour effectuer une extension du
domaine dtude.
Nouveaux facteurs : si lon a pris la prcaution de maintenir les facteurs en
attente dexamen un niveau fixe, on pourra les faire participer un nouveau
plan en leur assignant de nouveaux niveaux.
Optimisation : le domaine dtude peut trs bien convenir mais la modlisation
peut trs bien tre insuffisante pour traiter le problme pos. Dans ce cas, il
faudra enrichir les premires expriences en dfinissant de nouveaux essais. Les
emplacements des nouveaux points exprimentaux dans le domaine exprimental devront tre choisis avec soin.
La grande souplesse des plans dexpriences permet, sans jamais perdre aucun essai :
denrichir constamment par de nouvelles expriences les rsultats dj trouvs ;
les plans ou les essais complmentaires affinent linformation apporte par les
premiers plans ;
dajouter de nouveaux facteurs si on a eu la sagesse de les prvoir et de les maintenir un niveau fixe au cours du premier plan.
Il rsulte des remarques prcdentes que lon a souvent intrt commencer par
un plan ayant peu dessais. Cela permettra dobtenir rapidement de prcieux
renseignements pour la suite de ltude. Puis, en fonction des objectifs viss, on
effectuera les essais qui conviennent le mieux : expriences complmentaires ou
facteurs supplmentaires. Le principe dacquisition progressif des connaissances
prend sa source dans ces remarques et complte harmonieusement les deux
premires parties de la mthodologie de lexprimentation : choix de la mthode
dexprimentation et analyse des rsultats.
279
Les conclusions dune tude aboutissent des recommandations dont lexprimentateur est le seul responsable. Il doit donc sentourer de toutes les prcautions
possibles pour tre sr de ses conclusions. Le rglage des facteurs pour obtenir ou
sapprocher au mieux des objectifs de ltude est dabord dtermin par simple
calcul. Il est donc sujet caution. Il faut absolument lever le doute et raliser les
expriences de contrle. Ces essais de validation sont indispensables et font partie
de la bonne pratique des plans dexpriences.
13.6 Limites de lexprimentique

Lexprimentique est une dmarche mthodique pour conduire avec succs une
exprimentation prcise en optimisant les moyens la disposition du chercheur :
temps et argent. Mais cette mthode ne fera pas le travail de lexprimentateur et
surtout ne remplacera pas son intelligence et son gnie. Cest lui qui devra :
Dfinir lobjectif : il est essentiel de bien prciser et de quantifier lobjectif de
ltude.
Bien poser le problme : un problme mal pos ne sera pas redress par lexprimentique.
tre imaginatif et cratif : lexprimentique nest quune technique, elle aide
linterprtation des rsultats mais cest lexprimentateur qui est responsable de
ses hypothses et de ses conclusions.
Choisir les facteurs : si lexprimentateur oublie un facteur important dans son
tude, cest lui qui sera responsable des anomalies et des conclusions errones.
Dfinir les limites du domaine : cest une des grandes difficults rencontres
par lexprimentateur. Si le domaine est trop petit, les rponses espres
risquent de ne pas y tre, ce qui entranera des essais supplmentaires. Si le
domaine est trop grand, le modle postul sera mal adapt pour interprter les
rsultats exprimentaux.
Bien conduire ses expriences : des expriences mal conues, des facteurs non
contrls, des mesures imprcises, des erreurs de notation, de reprage ou de transcription ne seront pas redresss par les plans dexpriences. Au contraire, ils exigent
un grand soin dans lexprimentation elle-mme pour en tirer toute lessence.
Choisir les rponses : cest galement un point capital pour la qualit de
linterprtation. Toutes les rponses ne sont pas quivalentes. Certaines ne sont
pas assez prcises, dautres ne fournissent pas des effets suffisamment nets pour tirer
des conclusions. Enfin, il faut que les rponses choisies permettent datteindre
lobjectif de ltude.
En rsum, lexprimentique est une technique utile et puissante, mais
La matrise de lexprimentation et la responsabilit des conclusions
restent entre les mains de lexprimentateur.
280
14 PRPAREZ ET ANALYSEZ
VOS PLANS DEXPRIENCES AVEC JMP
JMP est un logiciel de statistique labor par la socit SAS Institute Inc. qui est
particulirement bien adapt pour la construction et lanalyse des plans dexpriences. Il est conu pour les ordinateurs personnels et possde des versions adaptes Windows, Macintosh ou Linux. Il utilise une interface pointer-cliquer , et
son ensemble trs complet doutils statistiques permet la mise en forme, lexploration et lanalyse des donnes exprimentales. Le prsent chapitre est une courte
introduction JMP que lon pourra complter de la manire suivante :
Allez sur le blog du livre : http://www.plansdexperiences.com. Vous y trouverez
les exemples du livre accompagns dexplications supplmentaires et des fichiers
de donnes tlchargeables. Vous pourrez aussi tlcharger un manuel dintroduction JMP, en franais, denviron 80 pages.
Si vous navez pas rcupr la documentation (version .pdf) au moment de linstallation de JMP, allez sur le site http://www.jmp.com sur lequel vous pourrez la tlcharger. En particulier, les guides Design of Experiments et Statistics and Graphics
Guide fournissent de nombreux dtails sur les ressources et lutilisation de JMP.
Nous allons dcrire les tches principales que vous pourrez effectuer avec JMP,
comme construire un plan dexpriences, choisir un modle mathmatique, interprter les rsultats exprimentaux, rcuprer les sorties de JMP pour les utiliser
dans dautres logiciels ou pour les incorporer dans des documents.

Dans certaines situations, les plans sur mesure sont les mieux appropris ltude
entreprise. Le Custom Designer gnre alors un plan optimal adapt votre
problme et vos moyens comme les plans tudis au cours de cet ouvrage.
Cependant, dans de nombreuses autres situations, les plans classiques (comme la
plupart de ceux dcrits dans ce livre) sont suffisants. Dans ce cas, on utilise
dautres moyens de construction de plans (Screening Designer, Full factorial Designer, Response Surface Designer et Mixture Designer). Nous allons voir successivement comment construire un plan avec le Screening Designer et le Custom Designer.
Cest lexemple n 1, Je matrise la consommation de ma voiture , qui est
utilis, exemple o la rponse est la consommation de carburant et o les facteurs
sont la vitesse et la surcharge.
281
14 Prparez et analysez vos

plans dexpriences avec JMP
14.1.1 Screening Designer (plan de criblage classique)

m Entrer les rponses
Slectionnez DOE > Screening Design. Lorsque la bote de dialogue apparat,

double-cliquez sur le nom de la rponse, Y, et entrez Consommation.
m Entrer les facteurs
Dans la rubrique Factors, entrez le chiffre 2 devant Continuous et cliquez sur le

bouton Add pour introduire deux facteurs.
m Modifier le nom des facteurs
Double-cliquez sur X1 et modifiez-le en Vitesse. Entrez les niveaux bas (80) et

haut (120) de la Vitesse. Rptez ces oprations pour la Surcharge. Cliquez
sur le bouton Continue pour passer la rubrique suivante.
282

m Choisir le plan
JMP vous propose plusieurs plans classiques parmi lesquels vous pouvez choisir
celui qui vous convient le mieux. Vous pouvez aussi choisir dexcuter le plan en le
subdivisant en blocs. Ici, choisissez le premier plan de la liste. Il possde 4 essais et
na aucun bloc. Cliquez sur le bouton Continue.
m Choisir les aliases et lordre des essais
Vous voyez maintenant le panneau de contrle qui vous permet de modifier votre
plan. Par exemple, pour changer les aliases, ouvrez la rubrique Change Generating
Rules et utilisez les cases pour dfinir vos propres aliases.
Vous devez maintenant slectionner lordre des essais. Randomize est le choix par
dfaut. Ici, choisissez Sort Right to Left pour obtenir lordre de Yates.
m Construire le plan
Cliquez sur le bouton Make Table pour gnrer votre plan sous la forme dun
tableau : les facteurs sont en colonnes et les essais en lignes. La colonne des
rponses sera remplie aprs lexcution des expriences pour pouvoir effectuer
lanalyse des rsultats.
283

14.1.2 Custom Designer

m Entrer les rponses
Slectionnez DOE > Custom Design. Lorsque la bote de dialogue apparat,

double-cliquez sur le nom de la rponse et crivez Consommation.
m Entrer les facteurs
Puis cliquez sur le bouton Add Factor pour introduire un facteur. Choisissez
Continuous. Indiquez le nom du facteur et ses niveaux. Rptez lopration pour
introduire le second facteur.
Il faut ensuite prciser le modle mathmatique. JMP propose un modle avec la
constante et les facteurs principaux. Vous pouvez, si besoin est, ajouter les interactions et les puissances.
284

m Indiquer les interactions
Pour entrer une interaction, surlignez le premier facteur concern dans la rubrique
Factors, et le second dans la rubrique Model, puis cliquez sur Cross. Si vous dsirez
simplement toutes les interactions dun certain ordre, slectionnez cet ordre grce au
bouton Interactions sans rien slectionner dautre. JMP crira toutes les interactions.
m Choisir le nombre dessais
Le modle tant spcifi, JMP vous propose plusieurs choix pour le nombre dessais.
Vous choisissez celui qui vous convient grce aux boutons radios ou vous imposez
le vtre grce la case Number of Runs. Ici, vous mettez 4, le nombre dessais de
lexemple. Cliquez sur Make Design pour gnrer le plan.
m Proprits du plan
Maintenant vous pouvez voir le plan et quatre rubriques qui contiennent des
informations sur la qualit du plan. Deux de ces rubriques, Prediction Variance
Profile et Relative Variance of Coefficients, sont illustres ici.
285

Vous slectionnez ensuite lordre des essais. Randomize est le choix par dfaut. Ici,
choisissez Sort Right to Left pour obtenir lordre de Yates. Cliquez sur le bouton
Make Table pour gnrer votre plan sous forme de tableur.
m Plan
Le plan est affich dans un tableur. Les facteurs sont en colonnes et les essais en
lignes. La colonne des rponses sera remplie aprs lexcution des expriences pour
pouvoir effectuer lanalyse des rsultats. Il ny a pas de colonne Pattern.

Lorsque vous cliquez sur Make Table vous obtenez un tableur (Figure 14.1). Il est
divis en deux parties : gauche, il y a une zone dinformations, droite, la grille
des donnes.
286

Zone de d-slection
Nom
des facteurs
Variables
discrtes
Variables
continues
Variable
ordonnables
Numro des essais
Figure 14.1 Exemple de plan affich dans le tableur de JMP.
14.2.1 Zone dinformation
La zone dinformations est divise en plusieurs sections :
La section situe en haut, appele Tables, indique le nom du fichier (ici Popcorn) ;
elle contient un ou plusieurs scripts (ici, un seul script appel Fit Model) et peut
fournir dautres informations sur le tableur.
La deuxime section, appele Columns, indique les colonnes du tableur et le
type de chaque variable. Le type des variables est trs important car il est pris
en compte par le logiciel pour effectuer les bonnes analyses et les bons graphiques. Il est possible de changer le type des variables en cliquant sur licne qui
est situe gauche de lintitul de la colonne et en slectionnant le type qui
convient dans le menu qui apparat. Trois options sont disponibles pour le
type des variables : Continuous (dsigne une variable continue par un triangle
bleu), ordinal (facteur discret ordonnable illustr par un diagramme barres
vert dont les marches sont croissantes) et nominal (facteur discret illustr par
un diagramme barres rouge dont les marches sont irrgulires). Lorsque les
variables sont de type Continuous, JMP prend la prcaution de bien prsenter
les graphiques et les statistiques des facteurs continus. Il en est de mme pour
les variables ordinal et nominal qui gouvernent les graphiques et les statistiques
correspondants.
La zone suivante, appele Rows, donne des informations sur les lignes du
tableur. Il est important de se souvenir, surtout lorsquon entre les donnes la
main, que chaque ligne du tableur reprsente un essai exprimental. Il en rsulte
que la rponse introduite par lexprimentateur doit parfaitement correspondre
lessai concern.
287

14.2.2 Grille des donnes
Il sagit du plan proprement dit reprsent sous forme dun tableur. Les facteurs
sont disposs en colonnes et les essais exprimentaux en lignes.
Les lignes et les colonnes peuvent tre slectionnes avec la souris. Pour dslectionner les lignes ou les colonnes, il faut cliquer dans la zone de dslection qui se
trouve gauche des titres de colonnes (Figure 14.1). Si lon clique au-dessus de la
diagonale, on dslectionne les colonnes et, si lon clique au-dessous de la diagonale,
on dslectionne les lignes. On peut aussi ajouter ou supprimer des lignes ou des
colonnes.

Si vous avez construit votre plan la main ou si vous voulez rester matre de votre
analyse, vous devez remplir vous-mme la fentre de modlisation (Figure 14.2).
Figure 14.2 Fentre de modlisation de JMP.
Surlignez la (ou les) rponse(s) dans la plage Select Columns et cliquez sur le
bouton Y qui se trouve dans la plage Pick Role Variables. Vous pouvez aussi
utiliser le tirer-dposer en prenant le nom dune rponse et en le dposant dans
la plage voulue.
Surlignez le (ou les) facteur(s) dans la plage Select Columns et cliquez sur le
bouton Add qui se trouve dans la plage Construct Model Effects.
Si vous voulez ajouter des interactions au modle, surlignez les facteurs impliqus
dans linteraction dans Select Columns et cliquez sur le bouton Cross. Pour
slectionner plusieurs facteurs en mme temps, maintenez appuye la touche
288

Control (Windows et Linux) ou (Macintosh) puis cliquez sur le nom des

facteurs.
Aprs avoir introduit les facteurs, les rponses, dfini le modle et choisi
lanalyse statistique, cliquez sur le bouton Run Model pour lancer les calculs de
lanalyse statistique.
Voici quelques conseils supplmentaires pour utiliser au mieux la bote de dialogue
Fit Model :
Pour enlever un facteur du modle, double-cliquez sur ce facteur. Vous pouvez
aussi slectionner le facteur et cliquer sur le bouton Remove.
Contrairement beaucoup de botes de dialogue de JMP, la bote Fit Model ne
disparat pas aprs avoir cliqu sur Run Model. Cela vous permet dexaminer
successivement plusieurs modles. Les rsultats dun premier modle guident
votre analyse vers un autre modle peut-tre meilleur. Par exemple, si vous constatez
quun modle de plan complet possde des termes dinteraction qui sont ngligeables, vous pouvez les retirer du modle et relancer lanalyse en utilisant le
bouton Run Model.
Certains modles sont frquemment utiliss. Par exemple, si vous avez trois
facteurs A, B et C, et si vous dsirez faire lanalyse avec le modle ayant toutes
les interactions, il serait pnible dentrer toutes les interactions car il faudrait
slectionner beaucoup de colonnes et effectuer de nombreux clics. Ces manuvres sont simplifies par lutilisation du menu Macros qui propose les modles
les plus courants. Par exemple, pour entrer un modle polynomial complet
pour trois facteurs, commencez par slectionner les trois facteurs dans la plage
Select Columns et cliquez sur Macros > Full Factorial ou sur Macros > Factorial
Sorted. Vous obtiendrez directement un modle comprenant les facteurs principaux, toutes les interactions dordre deux et linteraction dordre trois. De
mme, Factorial to degree fournit un modle avec tous les facteurs et toutes les
puissances jusqu celle spcifie dans le champ Degree situ sous le menu
Macros. Par dfaut le degr est 2.
Le menu Attributes permet de dfinir la nature des facteurs. Dans le livre, nous
avons rencontr deux facteurs de natures diffrentes : les facteurs de mlanges
(Mixture) (la somme des concentrations est gale lunit) et les facteurs pour
surface de rponse (Response Surface) dont les valeurs sont utilises pour
dcouvrir des maxima et/ou des minima de la rponse. Le moyen le plus simple
de construire les modles correspondants est demployer le menu Macros. Si
vous avez des facteurs qui doivent tre analyss comme ceux des modles pour
surface de rponse, slectionnez-les et cliquez sur Response Surface du menu
Macros. Tous les termes principaux, toutes les interactions dordre 2 et tous les
termes de puissance seront automatiquement ajouts. Cela est galement vrai pour
les facteurs de mlanges.
Par dfaut, JMP centre tous les facteurs. Ce centrage est utile pour certaines
analyses statistiques. Cependant, dans le domaine des plans dexpriences, il est
prfrable demployer des donnes non centres. Pour lancer une analyse avec
des variables non centres, cliquez sur le triangle rouge situ gauche de Model
289

Specification et dcochez Center Polynomials. Pour tre sr de toujours obtenir

des analyses avec des facteurs non centrs, partir du menu principal, suivez le
chemin File/Preferences/Platfoms/Model Dialog et, dans les options, dcochez
Center Polynomials [default on].
En haut et droite de la bote de dialogue Fit Model, il y a deux listes droulantes
dnommes Personality et Emphasis. Si vous obtenez un rapport danalyse qui
ne vous convient pas lorsque vous cliquez sur le bouton Run Model, vrifiez les
indications de ces deux listes :
Les indications de Personality indiquent les mthodes danalyses statistiques
qui vont tre effectues par JMP. Il apparat, par dfaut, des slections bases sur
le type des facteurs. Dans ce livre, la plupart des exemples utilisent des variables
continues et lanalyse correspondante est la rgression base sur le critre des
moindres carrs, soit une personality Standard Least Squares. Dautres options
comme Stepwise ou Manova sont galement prvues pour des variables continues
et peuvent tre choisies laide de cette liste droulante. Les analyses Nominal
Logistic (rgression logistique pour variables discrtes) et Ordinal Logistic
(rgression logistique pour variables ordinales) sont des choix par dfaut dautres
types de variables. Elles ne sont pas abordes ici.
Les indications de Emphasis indiquent les rsultats danalyses qui seront prsents.
Le choix effectu ne modifie pas les calculs mais la prsentation et le type de sorties.
Il y a trois genres de prsentation : Effect Leverage qui fournit les graphiques et
les rapports concernant les coefficients et linfluence de chaque facteur sur
la rponse, Effect Screening qui est conu pour les plans ayant beaucoup de
facteurs et pour lesquels lintrt rside dans la dcouverte des facteurs influents,
Minimal Report qui sert quand on souhaite nobtenir que des rsultats numriques sans graphiques. Dans toutes les situations, il est possible de demander
JMP des analyses supplmentaires quelle que soit la personality choisie.

Ds que vous avez cliqu sur Run Model, JMP affiche un rapport danalyse dont
la prsentation est analogue celle de la figure 14.3.
Plusieurs rubriques sont importantes consulter. La rubrique Analysis of Variance
(analyse de la variance) affiche le rapport F de Fisher et la p-value associe (note
Prob > F) pour lensemble du modle. Une petite p-value indique un modle ayant
au moins un facteur significatif. La rubrique Parameter Estimates (estimation des
coefficients) indique les valeurs des coefficients du modle. La rubrique Effect Tests
indique le rapport F de Fisher et la p-value pour chacun des facteurs du modle.
gauche du titre de chaque rubrique, il y a un petit triangle bleu qui permet, dun
clic, douvrir ou de fermer la rubrique.
En plus de ce triangle bleu, signalons le triangle rouge gauche du titre Response Y en
haut du rapport danalyse. Ces triangles rouges sont importants car ils ouvrent des
menus donnant accs des analyses statistiques supplmentaires et de nombreux
graphiques. On peut ainsi obtenir, parmi de nombreuses autres informations, la valeur
290

Figure 14.3 Exemple de rapport danalyse statistique.
des coefficients, les rsidus, des graphiques sur les effets des facteurs, les corrlations
entre les niveaux des facteurs, les coefficients ou les rponses, etc.

Pour les plans dexpriences les renseignements les plus importants se trouvent
dans les sous-menus Effect Screening ou Factor Profiling. On pourra y consulter
de nombreuses informations dont les suivantes.
Le Normal Plot est le diagramme de Daniel (Figure 14.4). Il indique les coefficients les plus significatifs. On peut aussi obtenir le Half-normal Plot qui est une
prsentation particulire du diagramme de Daniel : au lieu des valeurs algbriques
des coefficients, il utilise les valeurs absolues.
Le Profiler est un graphique interactif permettant de voir linfluence des variations des niveaux des facteurs sur les rponses (Figure 14.5). Cliquez (ou tirez) les
lignes rouges verticales pour voir comment les variations de niveaux des facteurs
modifient la rponse.
Le triangle rouge, gauche de la rubrique Prediction Profiler, donne accs un
menu qui contient la fonction dsirabilit (Desirability Functions) vous permettant doptimiser, grce la commande Maximize Desirability, une ou plusieurs
rponses (voir chapitre 4).
La commande Contour Profiler fait apparatre un graphique interactif vous
permettant dtudier les courbes disorponses (courbes de niveaux) dune surface
291

Figure 14.4 Diagramme de Daniel et menus droulants

associs au triangle rouge du titre de la fentre de rapport danalyse.
Figure 14.5 Illustration du Prediction Profiler.
292

14.6 Transfrer et sauvegarder

les rsultats et les analyses
de rponse (Figure 14.6). On peut aussi accder, avec le Surface Profiler, un

graphique permettant dtudier des surfaces de rponse en trois dimensions.
Figure 14.6 Illustration des graphiques Contour Profiler ( gauche) et Surface Profiler ( droite).
14.6 Transfrer et sauvegarder les rsultats

et les analyses
la fin dune analyse statistique, il peut tre ncessaire de transfrer les rsultats et
les graphiques de JMP vers dautres applications, telles quun traitement de texte
ou un logiciel de prsentation. On peut aussi vouloir envoyer ces renseignements
sur un site web pour une large diffusion. Il existe deux principaux moyens de
transfrer ces rsultats.
Vous pouvez dabord couper et coller les rapports de JMP dans une autre application en utilisant loutil de slection . Cet outil se trouve dans la barre doutils ou
dans le menu Tools. Cliquez sur loutil et utilisez-le pour surligner la partie du
rapport danalyse qui vous intresse. Sil y a plusieurs parties transfrer, oprez de
mme mais en maintenant enfonce la touche Control (PC ou Linux) ou la touche
(Macintosh) pour slectionner les diffrentes parties qui vous intressent. Puis,
laide des commandes Copier et Coller de vos applications informatiques (que lon
trouvera la plupart du temps dans le menu dition), effectuez le transfert. Les textes
sont transfrs comme textes et les graphiques comme graphiques.
Si vous devez transfrer un rapport danalyse ou le convertir au format HTML,
effectuez les dmarches suivantes :
Slectionnez Edit > Journal. Vous obtenez ainsi une copie du rapport danalyse
dans le journal de JMP. Ce journal est utile pour concatner plusieurs rapports
293

14.6 Transfrer et sauvegarder

les rsultats et les analyses
diffrents dans une seule fentre. La copie ainsi effectue peut tre sauvegarde
sous plusieurs formats.
Le journal tant ouvert, slectionnez File > Save As ou File > Export (Macintosh).
Vous obtenez une fentre standard de sauvegarde dans laquelle plusieurs formats
vous sont proposs (Figure 14.7). Utilisez le format RTF si vous destinez le
rapport un diteur de texte et HTML si vous voulez publier une page sur le
web et dont les graphiques sont stocks dans un dossier spar.
Figure 14.7 Fentre de sauvegarde du journal.
294
Annexes
A ORIGINE DES EXEMPLES
Exemple n
Chap.
Titre
Je matrise la consommation de ma voiture
J. Goupy
Des bijoux en or
L. Chalumeau et coll., Application of a Doehlert

design to the optimization of an Au-Co plating
electrolyte, J. of Applied Electrochemistry, vol. 34,
2004, p. 1177-1184.
La galette des rois
tude propose par une socit industrielle. Les

donnes ont t lgrement modifies pour assurer la confidentialit du procd de fabrication.
Dure de vie
des outils de coupe
jetables
Donnes aimablement communiques la socit

MINITAB. Les units ne sont pas indiques pour ne
pas divulguer des renseignements confidentiels.
Le tellure
M. Grotti, E. Magi et R. Leardi, Study of interferences in graphite furnace atomic absorption spectrometry by means of experimental design, Analytica
Chimica Acta, 327, 1996, p. 47-51.
La sulfonation
tude extraite de la thse de chimie ralise par

Madame Kamoun-Messedi en 2000 lUniversit
de Sfax (Tunisie).
Le spectrofluorimtre
G. Sado et J. Goupy, La mthodologie des plans

dexpriences applique loptimisation du
rglage dun spectrofluorimtre, Analusis, vol. 14,
n 8, 1986, p. 389-400.
Les pommes de terre

chips
Donnes aimablement communiques par

la socit MINITAB.
Origine
297
Annexes
Exemple n
298
Chap.
10
11
12
13
14
15
10
16
11
17
11
A Origine des exemples
Titre
Origine
Le Penicillium chrysogenum
1. O.L. Davies, The Design and Analysis of Industrial Experiments, Oliver and Boyd, dimbourg,
1971.
2. C. Daniel, Applications of Statistics to Industrial
Exprimentation, John Wiley, New York, 1976.
Les haricots de Yates
F. Yates, The Design and Analysis of Factorial Experiments, Bulletin 35, Hafner (MacMillan), Imperial
Bureau of Soil Science, Harpenden, Herts, 1937.
Le broyeur
J. Goupy, Introduction aux plans dexpriences,

Dunod, 2e dition, 2001.
La rectification
du contrematre
J. Goupy, Plans dexpriences pour surfaces

de rponse, Dunod, 1999. Plan aimablement
communiqu par le Professeur P. Lantri.
Un yoghourt doux

de rponse, Dunod, 1999.
Linsecticide

de rponse, Dunod, 1999. Plan aimablement
communiqu par le Docteur Tralongo.
Les trois polymres

de rponse, Dunod, 1999.
Dveloppement dun
dtecteur de fissures
T.E. Capobianco, J.D. Splett et H.K. Iyer, Eddy Current Probe Sensitivity as a Function of Coil Construction Parameters, Research in Nondestructive
Evaluation, vol. 2, 1990, p. 169-186.
Les comprims du
pharmacien
J. Goupy, Plans dexpriences : les mlanges,

Dunod, 2000.
La crme bronzer
A. Delacroix, C. Porte et D. Youssef, Application

dune mthode chimiomtrique dans ltude
de la cristallisation de la dihydroctone (DHA),
congrs Chimiomtrie, Paris, 1999.
18
11
19
12
Les salaires
J. Goupy
20
12
tude de la pntromtrie
J. Goupy
B COMPARAISON
DE DEUX MOYENNES INDPENDANTES
On veut comparer les moyennes de deux sries de mesures.

m Premire moyenne
On effectue n1 rptitions au mme point exprimental. On obtient une premire

srie de mesures y1,i, dont la moyenne y 1 est telle que :
1
y 1 = ----n1
i = n1
y 1, i
i=1
La variance des mesures y1,i est :

1
V ( y 1, i ) = -------------n1 1
i = n1
( y 1, i y 1 )
i=1
m Deuxime moyenne
On effectue n2 rptitions au mme point exprimental. On obtient une deuxime

srie de mesures y2,i, dont la moyenne est y 2 . La variance des mesures y2,j est telle que :
1
V ( y 2, j ) = -------------n2 1
j = n2
( y 2, j y 2 )
j=1
Pour comparer y 1 et y 2 , on calcule :

la valeur absolue de la diffrence :
= y1 y2
la variance de la diffrence :
V ( ) = V ( y2 ) + V ( y1 )
lcart-type de la diffrence, soit la racine carre de la variance :
=
V() =
V ( y2 ) + V ( y1 )
299
Annexes
B Comparaison de deux moyennes indpendantes
le rapport de la diffrence lcart-type de la diffrence :

y1 y2
- = ------------------------------
V ( y1 y2 )
Ce rapport suit une loi de Student v = (n1 1) + (n2 1) degrs de libert.
m Hypothses
1. Les deux sries sont issues dune mme population. Elles ont donc thoriquement la mme moyenne et le mme cart-type.
2. Les rponses sont issues dune population ayant une distribution normale.
300
C SRIES DESSAIS LAISSANT

LES FACTEURS PRINCIPAUX INSENSIBLES
UNE DRIVE LINAIRE
Srie n
Ordre des 8 essais de chaque srie
10
11
12
13
14
15
16
17
18
19
20
21
22
301
Annexes
Srie n
302
C Sries dessais laissant les facteurs principaux

insensibles une drive linaire
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
Annexes
Srie n

55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
303
Annexes
Srie n
304

87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
Annexes
Srie n

119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
Ces sries dessais peuvent tre utilises dans plusieurs cas :

Pour saffranchir dune drive.
Pour dceler une drive. Sil ny a pas dautres sources derreur, les interactions
sont comme les nombres (en valeurs absolues) : 0 1 2 4.
Pour construire un plan 24-1. Lune des interactions ntant pas fausse par la
drive, cest elle que lon choisira pour aliaser le quatrime facteur.
Pour raliser un blocking et une limination de la drive sur un plan 24.
305
Annexes

On peut saffranchir la fois pour les facteurs principaux :

dune variation globale de la moyenne entre deux sries de huit essais (blocking) ;
dune drive linaire portant sur les 16 essais dun plan 24. Pour cela on utilise
2 sries miroir de 8 essais chacune, par exemple : 64713528 et 82531746.
Voici un exemple illustrant cette technique :
306
Sries
miroir
Facteur
(1)
Facteur
(2)
Facteur
(3)
Facteur
(4)
Blocking
sur 134
D INTRODUCTION AU CALCUL MATRICIEL
Les matrices sont des tableaux qui permettent de faire trs simplement des calculs
trs complexes. Les calculs tant raliss par une machine, les utilisateurs doivent
simplement tre capables de comprendre la signification des oprations et dinterprter les rsultats.
m Dfinitions
M Matrice
Une matrice est un tableau entre deux crochets constitu dlments disposs en
lignes et en colonnes :
a b c
d e f
Les lments sont : a, b, c, d, e et f.
La premire ligne est : a, b, c.
La deuxime ligne est : d, e, f.
La premire colonne est : a, d.
La deuxime colonne est : b, e.
La troisime colonne est : c, f.
M Ordre dune matrice
Une matrice dordre m par n est un tableau de m lignes et de n colonnes. La

matrice prcdente est une matrice (2, 3). On indique dabord le nombre de
lignes, puis, spar par une virgule, le nombre de colonnes. Les deux chiffres sont
placs entre parenthses.
M Matrice carre
Cest un tableau dans lequel le nombre de lignes est gal au nombre de colonnes.
M Matrice ligne
Cest une matrice nayant quune ligne : (1, n).

M Matrice colonne
Cest une matrice nayant quune colonne : (m, 1).

307
Annexes
M Notation des lments
Les numros de ligne et de colonne seront indiqus en indice. Par exemple, la

matrice prcdente scrira :
a 11 a 12 a 13
a 21 a 22 a 23
M lments homologues
Ce sont les lments qui occupent la mme place dans deux matrices de mme ordre.
M Nature des lments
Les lments dune matrice peuvent tre de nature trs diffrente : nombres rels,
nombres complexes, polynmes, fonctions, oprateurs et mme matrices.
m Dfinitions concernant les matrices carres
M Diagonale principale
La diagonale principale dune matrice carre est forme de lensemble des

lments aii dont le numro de ligne est gal au numro de colonne. Cette diagonale principale est signale en gras dans la matrice suivante :
a 11 a 12 a 13
a 21 a 22 a 23
a 31 a 32 a 33
M Matrice symtrique
Cest une symtrie par rapport la diagonale principale. Les lments aij sont gaux
aux lments aji :
aij = aji
Exemple :
1 2 3
2 1 4
3 4 1
M Matrice antisymtrique
Les lments aij sont gaux aux lments aji changs de signe :
aij = aji
Exemple :
0 2 3
2 0 4
3 4 0
308
Annexes
M Matrice unit
Cest une matrice carre dont tous les lments sont nuls sauf ceux de la diagonale
principale qui sont gaux 1 :
I =
1 0 0
0 1 0
0 0 1
M Dterminant dune matrice
Le dterminant dune matrice est un nombre. Il ne faut pas confondre matrice et

dterminant mme sils se ressemblent beaucoup. Une matrice est un tableau
constitu dlments. Un dterminant se prsente comme un tableau mais que
lon transforme en un nombre laide de rgles de calcul bien dfinies. Dans le
domaine des plans dexpriences, les dterminants interviennent dans le calcul de
la matrice inverse et dans la construction des plans D-optimaux.
M Trace dune matrice
La trace dune matrice est la somme de ses lments diagonaux.

M Matrice diagonale
Une matrice diagonale a tous ses lments gaux 0 sauf ceux de la diagonale
principale.
m Oprations sur les matrices
M galit de deux matrices
Deux matrices de mme ordre sont gales si les lments homologues sont gaux.
M Addition de deux matrices
On ne peut additionner que des matrices de mme ordre. On obtient une matrice
de mme ordre. Les lments de la matrice somme sont les sommes des lments
homologues des matrices que lon additionne.
Par exemple, soit deux matrices
M1 =
a 11 a 12 a 13
et
a 21 a 22 a 23
M2 =
b 11 b 12 b 13
b 21 b 22 b 23
Leur somme est :

M1 + M2 =
a 11 + b 11 a 12 + b 12 a 13 + b 13
a 21 + b 21 a 22 + b 22 a 23 + b 23
= M3
La matrice M3 est la somme des matrices M1 et M2 :

M1 + M2 = M3
309
Annexes
M Soustraction
On ne peut soustraire que des matrices de mme ordre. On obtient une matrice de
mme ordre. Les lments de la matrice diffrence sont les diffrences des lments
homologues des matrices que lon soustrait :
M1 M2 =
a 11 b 11 a 12 b 12 a 13 b 13
a 21 b 21 a 22 b 22 a 23 b 23
M Matrice zro
La matrice zro a tous ses lments nuls.

M Multiplication dune matrice par un scalaire
Tous les lments de la matrice sont multiplis par ce scalaire :

M1 =
a 11 a 12 a 13
a 21 a 22 a 23
M Multiplication dune matrice par une matrice
Cest une opration importante. La multiplication dune matrice A par une matrice B
donne une matrice C :
AB=C
La multiplication nest possible que si le nombre de colonnes de A est gal au
nombre de lignes de B. Si lordre de A est (m, p) et celui de B, (p, n), lordre de C
sera (m, n).
La multiplication de deux matrices se fait ligne par colonne, de telle manire que
llment cij de la matrice produit soit gal :
cij = ai1 b1j + ai2 b2j + + aip bpj
La multiplication matricielle nest pas commutative :
ABBA
M Matrice inverse
Seules les matrices carres ont des matrices inverses.

La matrice B est inverse de la matrice A si leur produit est gal la matrice unit :
AB=I
La matrice B inverse de A, se note A1. La matrice A1 existe si le dterminant de
A nest pas nul. Si le dterminant de A est nul, A est dite singulire ou dgnre.
M Transposition dune matrice
La matrice transpose A de A sobtient en crivant en colonnes les lignes de A. La

premire ligne de A devient la premire colonne de A. La deuxime ligne de A
devient la deuxime colonne de A, etc.
310
Annexes
A =
a 11 a 21
a 11 a 12 a 13
A = a 12 a 22
a 21 a 22 a 23
a 13 a 23
m Algbre sur les matrices
partir des dfinitions et des oprations qui viennent dtre indiques, il est possible
de construire une algbre des matrices.
M Transpose dun produit
( X 1 X 2 ) = X 2 X 1
( X 1 X 2 X 3 ) = X 3 X 2 X 1
M Inverse dun produit
( X1 X2 X3 )
= X2 X1
= X3 X2 X1
( X1 X2 )
M Transpose dune transpose
( X ) = X
M Inverse dune inverse
1 1
(X )
= X
m Matrices particulires
M Matrices orthogonales
Une matrice est orthogonale si les produits scalaires de ses colonnes sont tous nuls.
La transpose dune matrice orthogonale est gale son inverse :
X = X
M Matrices dHadamard
Ce sont des matrices carres dont les lments sont +1 ou 1 et telles que :
X X = n I
Elles satisfont aux relations :
X X = X X
X = n X
1
= --- X
n
Exemples :
H2 =
1 1
1 1
311
Annexes
H4 =
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Ces matrices Hn existent pour toute valeur de n multiple de 4, soit 8, 12, 16, 20
Les matrices dHadamard sont les matrices utilises pour construire les plans dexpriences factoriels complets, les plans factoriels fractionnaires, les plans de Plackett
et Burman, les tables de Taguchi et la partie factorielle des plans composites.
312
BIBLIOGRAPHIE
m Lecture conseille
BOX G.E.P., HUNTER W.G., HUNTER J.S., Statistics for Experimenters, John Wiley,
New York, 2e dition, 2005.
BOX G.E.P., BEHNKEN D.W., Some new three level designs for the study of quantitative variables, Technometrics, vol. 2, 1960, p. 455-475.
CORNELL J.A., Experiment with Mixtures, John Wiley, New York, 1981.
DANIEL C., Use of half-normal plots in interpreting factorial two-level experiments,
Technometrics, vol. 1, 1959, p. 311-341.
DERRINGER D., SUICH R., Simultaneous optimisation of several response variables,
J. of Quality Technology, 12, 1980, p. 214-219.
DOEHLERT D.H., Uniform Shell Design, Appl. Stat., n 19, 1970, p. 231.
DRAPER N.R., JOHN J.A., Responses Surfaces Designs for Quantitative and
Qualitative Variables, Technometrics, vol. 30, n 4, novembre 1988.
DRAPER N.R., SCHMITT H., Applied Regression Analysis, John Wiley, New York,
1981.
FISHER R.A., Statistical Methods for Research Workers, Oliver and Boyd, dimbourg.
FISHER R.A., The Design of Experiments, Oliver and Boyd, dimbourg, 1935.
FREUND R., LITTLE R., CREIGHTON L., Regression using JMP, SAS Publishing,
2003.
GOUPY J., Methods for Experimental Design Principles and Applications for Physicists and Chemists, Elsevier, Amsterdam, 1993.
GOUPY J., Plans dexpriences pour surfaces de rponse, Dunod, Paris, 1999.
GOUPY J., Plans dexpriences : les mlanges, Dunod, Paris, 2000.
HOTELLING H., Some problems in weighing and other experimental techniques,
Am. Math. Stat., vol. 15, n 4, 1944, p. 297-306.
MITCHELL T.J., An algorithm for Construction of D-Optimal Experimental Designs,
Technometrics, vol. 16, n 2, 1974.
PLACKETT R.L., BURMAN J.P., The design of optimum multifactorial experiments,
Biometrika, n 33, 1946.
313
Bibliographie
Bibliographie
SALL J., CREIGHTON L., LEHMAN A., JMP Start Statistics, Thomson Brook/Cole,
2005.
YATES F., Experimental Design, Selected papers, Darien, Connecticut, Hafner, 1970.
YOUDEN W.J., Statistical Methods for Chemists, John Wiley, New York, 1951.
m Ouvrages et articles gnraux
AFNOR ISO 9001, Systmes qualit Modle pour lassurance de la qualit en

conception/dveloppement, production, installation et soutien aprs vente, 1987.
production et installation, 1987.
contrle et essais finals, 1987.
AFNOR X 02-110, Symboles et vocabulaire du calcul matriciel, juin 1982.
AFNOR X 06-080, Application de la statistique Plan dexpriences Vocabulaire
et indications gnrales, novembre 1989.
ALEXIS J., Pratique industrielle de la mthode Taguchi : les plans dexpriences,
AFNOR, 1995.
ATKINSON A.C., The Usefulness of Optimum Experimental Designs, J. of the
Royal Statistical Society B, vol. 58, n 1, 1996, p. 59-76.
BALEO J.-N., BOURGES B., COURCOUX P., FAUR-BRASQUET C., LE CLOIREC P.,
Mthodologie exprimentale, Tec & Doc, Paris, 2003.
BENOIST D., TOURBIER Y., GERMAIN-TOURBIER S., Plans dexpriences : construction
et analyse, Lavoisier Tec & Doc, Paris, 1994.
BLAQUIRE A., Calcul matriciel (2 tomes), Hachette, Paris, 1960.
BOX G.E.P., DRAPER N.R., Empirical Model-Building and Response Surface, John
Wiley, New York, 1987.
BOX G.E.P., DRAPER N.R., Evolutionaty Operation : A Statistical Method for Process
Improvement, John Wiley, New York, 1969.
BOX G.E.P., JONES S., Split-plot designs for robust product experimentation, J. of
Applied Statistics, 1992, p. 3-26.
BRERETON R.G., Multilevel multifactor designs for multivariate calibration,
Analyst, vol. 122, n 12, 1997, p. 1521-1529.
CARLSON R., Preludes to a screening experiment : A tutorial, Chemometrics and
Intelligent Laboratory Systems, 14, 1992, p. 103-114.
CARLSON R., Design and Optimisation in organic synthesis, Elsevier, Amsterdam,
1992.
CORNELL J.A., DENG J.C., Combining Process Variables and Ingredient Components in Mixing Experiments, J. of Food Science, vol. 47, 1982, p. 836-843 et 848.
314
Bibliographie
Bibliographie
CORNELL J.A., Embedding Mixture Experiments Inside Factorial Experiments,

J. of Quality Technology, vol. 23, n 4, 1990, p. 265-276.
CORNELL J.A., Analysing Data from Mixture Experiments containing Process
Variables : A split-Plot Approach, J. of Quality Technology, vol. 20, n 1, 1988,
p. 2-23.
CZITROM V., Mixture Experiments with Process Variables : D-Optimal Orthogonal Experimental Designs, Communications in Statistics, Theory and Methods,
vol. 17, n 1, 1988, p. 105-121.
DAGNELIE P., Principes dexprimentation, Presses agronomiques de Gembloux, 2003.
DANIEL C., Applications of Statistics to Industrial Experimentation, John Wiley,
New York, 1976.
DRAPER N.R., HERZBERG, On lack of fit, Technometrics, vol. 13, 1971, p. 231-241.
DRAPER N.R., Small composite Designs, Technometrics, vol. 27, 1985, p. 173-180.
DROESBEKE J.-J., FINE J., SAPORTA G., Plans dexpriences : applications lentreprise, Technip, 1997.
DUINEVELD C.A.A., SMILDE A.K., DOORNBOS D.A., Comparison of Experimental designs combining Process and Mixture variables, Part I : Design construction and theorical evaluation et Part II : Design and evaluation on mesured data,
Chem. Intel. Lab. Syst., vol. 19, 1993, p. 295-308 et 309-318.
FEDOROV V.V., Theory of Optimal Experiments, Academic Press, New York, 1972.
GENETAY M., La coloration des matriaux, Hermes, Paris, 2000.
GOUPY J., Chemometrics : Experimental Designs, Encyclopedia of Analytical
Sciences, Academic Press, Londres, 1995, p. 659-666.
GOUPY J., Boolean Experimental Designs, Analusis, vol. 28, n 7, 2000, p. 563-570.
GOUPY J.L., Unconventional experimental designs : Theory and Application,
Chem. Intel. Lab. Syst., vol. 33, 1996, p. 3-16.
GOUPY J., Outliers and Experimental Designs, Chem. Intel. Lab. Syst., vol. 35,
1996, p. 145-156.
GOUPY J., Plans dexpriences, Trait Analyse chimique et caractrisation, Techniques
de lingnieur P230, 1992, p. 1-20.
GOUPY J., Erreur de drive et choix de lordre des essais dun plan dexpriences
factoriel, Revue de statistique applique, vol. 37, n 1, 1989, p. 5-22.
GOUPY J., Plans dexpriences non conventionnels : thorie et applications (ou
comment sauver un plan rat), Analusis, 23, 1995, p. 152-158.
GOUPY J., Modlisation par les plans dexpriences, Trait Mesures et contrle,
Techniques de lingnieur R275, 2000, p. 1-23.
GORMAN J.W., HINMAN J.E., Simplex-Lattice Designs for multicomponent systems,
Technometrics, n 4, 1962, p. 463-488.
315
Bibliographie
Bibliographie
ISO 5725-2, Accuracy (trueness and precision) of measurement methods and results,
partie 2 : Basic method for the determination of repeatability and reproducibility of a
standard measurement method, 1994.
ISO 5725-3, Accuracy (trueness and precision) of measurement methods and results,
partie 3 : Intermediate mesures of the precision of a standard measurement method,
1994.
ISO 3534-3, Statistique : vocabulaire et symboles, partie 3 : Plans dexpriences, 1998.
KHURI A.I., CORNELL J.A., Response surfaces : Design and Analyses, Marcel Dekker,
New York, 1996.
LENTH R.V., Quick and Easy Analysis of unreplicated Fractional Factorials, Technometrics, vol. 31, n 4, 1989, p. 469-473.
LIANG Y.Z., FANG K.T, XU Q.S., Uniform design and its applications in
chemistry and chemical engineering, Chemometrics and Intelligent Laboratory
Systems, vol. 58, n 1, 2001, p. 43-57.
LUNDSTEDT T., SEIFERT E., ABRAMO L., THELIN B., NYSTRM ., PETTERSEN J.,
BERGMAN R., Experimental design and optimisation, Chemometrics and Intelligent
Laboratory Systems, 42, 1998, p. 3-40.
MCLEAN R.A., ANDERSON V.L., Extreme vertices design of mixture experiments,
Technometrics, 8, 1966, p. 447-454.
MEAD R., The Design of Experiments : Statistical Principles for Practical application,
Cambridge University Press, Cambridge, 1988.
MEE R.W., BATES R.L., Split-lot designs : Experiments for multistage batch
processes, Technometrics, vol. 40, n 2, 1998, p. 127-140.
MONTGOMERY D.C., Design and Analysis of Experiments, John Wiley, New York,
1984.
MORGAN E.D., Chemometrics : Experimental Design, John Wiley, New York,
1995.
MYERS R.H., KHURI A.I., CARTER W.H., Response Surface Methodology : 19661988, Technometrics, vol. 31, n 2, 1989.
PIEPEL G.F., CORNELL J.A., Mixture Experiments Approach : Examples, Discussion, and Recommandations, J. of Quality Technology, vol. 26, n 3, 1994, p. 177195.
PILLET M., Introduction aux plans dexpriences par la mthode Taguchi, Les
ditions dorganisation, Paris, 1992.
RECHTSCHAFFNER R.L., Satured Fractions of 2n and 3 Factorial Designs, Technometrics, vol. 9, 1967, p. 569-575.
ROQUEMORE K.G., Hybrid Designs for Quadratic Response Surfaces, Technometrics, vol. 18, n 4, 1976, p. 419-423.
SADO G., SADO M.-C., Les plans dexpriences : de lexprimentation lassurance
qualit, AFNOR, 1991.
316
Bibliographie
Bibliographie
SALL J.P., Leverage Plots for General Linear Hypotheses, American Statistician,
vol. 44, n 4, 1990, p. 303-315.
SCHEFFE H., Experiments with mixtures, J. of the Royal Statistical Society B,
vol. 20, 1958, p. 344-360.
SCHEFFE H., The simplex centroid design for Experiments with mixtures, J. of the
Royal Statistical Society B, vol. 25, 1963, p. 235-263.
SCIBILIA B., KOBI A., CHASSAGNON R., BARREAU A., Plans complmentaires et
plans imbriqus, Revue de statistique applique, vol. XLVIII, n 1, 2000.
SCHIMMERLING P., SISSON J.-C., ZAIDI A., Pratique des plans dexpriences, Lavoisier Tec & Doc, 1998.
SHELTON J.T., KHURI A.I., CORNELL J.A., Selecting check points for testing lack
of fit in response surface models, Technometrics, 25, 1983, p. 357-365.
SILVEY S.D., Optimal Design, Chapman and Hall, Londres, 1980.
SMITH A.T., Comparison of information-yield from different experimental designs
used in algal toxicity testing of chemical mixtures, Environmental Pollution, 102,
1998, p. 205-212.
SNEE R.D., Experimenting with mixtures, Chemtech, 9, 1979, p. 702-710.
SNEE R.D., Developing Blending Models for Gasoline and Other Mixtures, Technometrics, 23, n 2, 1981, p. 119-130.
STANSBURY W.F., Development of experimental designs for organic synthetic
reactions, Chemometrics and Intelligent Laboratory Systems, 36, 1997, p. 199-206.
STUDENT, The probable error of a mean, Biometrika, 6, 1908, p. 1-25.
SUNDBERG R., Interpretation of unreplicated two-level factorial experiments by
examples, Chem. Intel. Lab. Syst., vol. 24, 1994, p. 1-17.
TOMASSONE R., AUDRAIN S., LESQUOY-TURCKHEIM E., MILIER C., La rgression,
nouveaux regards sur une ancienne mthode statistique, Masson, Paris, 1992.
VANDER HEYDEN Y., QUESTIER F., MASSART D.L., Ruggedness testing of chromatographic methods : selection of factors and levels, J. of Pharmaceutical and
Biomedical Analysis, vol. 18, 1998, p. 43-56.
VANDER HEYDEN Y., QUESTIER F., MASSART D.L., A ruggedness test strategy for
procedure related factors : experimental set-up and interpretation, J. of Pharmaceutical and Biomedical Analysis, vol. 17, 1998, p. 153-168.
VANDER HEYDEN Y., BOURGEOIS A., MASSART D.L., Influence of the sequence
of experiments in a ruggedness test when drift occurs, Analytica Chimica Acta,
347, 1997, p. 369-384.
VANDER HEYDEN Y., LUYPAERT K., HARTMANN C., MASSART D.L., HOOGMARTENS J., DE BEER J., Ruggedness tests on the HPLC assay of the United States
Pharmacopeia XXII for tetracycline hydrochloride : A comparison of experimental
designs and statistical interprettion, Analytica Chimica Acta, 312, 1995, p. 245262.
317
Bibliographie
Bibliographie
WOLTERS R., KATEMAN G., The construction of simultaneous optimal experimental designs for several polynomials in the calibration of analytical methods,
J. of Chemometrics, 4, 1990, p. 171-185.
YOUDEN W.J., Statistical Methods for Chemists, John Wiley, New York, 1951.
YUZHU H., Program for Doehlert matrix design of Experiment, Tr. Anal. Chem.,
vol. 8, n 4, 1989.
m Application des plans dexpriences
AZUBEL M., FERNANDEZ F.M., TUDINO M.B, TROCCOLI O.E., Novel application and comparison of multivariate calibration for the simultaneous determination of Cu, Zn and Mn at trace levels using flow injection diode array
spectrophotometry, Analytica Chimica Acta, vol. 398, n 1, 1999, p. 93-102.
DORTHE A.M., RAMBERTI J.L., THIENPON T., Experimental designs optimization of chromatographic separation for polycyclic aromatic hydrocarbons in vegetable oils, Analusis, vol. 28, n 7, 2000, p. 587591.
FOURNIER J.-L., EL HOURCH M., TAGLIONI J.-P., FOURNIER J., Application des
plans dexpriences lanalyse de pesticides dans leau par chromatographie en
phase gazeuse couple la spectromtrie de masse, Analusis, vol. 26, n 8, 1998,
p. M44-M52.
GUERVENOU J., GIAMARCHI P., COULOUARN C., GUERDA M., LE LEZ C.,
OBOYET T., Experimental design methodology and data analysis technique applied to
optimise an organic synthesis, Chem. Intel. Lab. Syst., vol. 63, 2002, p. 81-89.
GUNDUZ U., Partitioning of bovine serum albumin in an aqueous two-phase
system : optimisation of partition coefficient, J. Chromatogr. B : Biomed. Applied,
vol. 743, n 1-2, 2000, p. 259-262.
HECK G., MILEHAM C., MARTIN G.J., Hydrogen exchange in aromatic compounds :
substituent effects studied by experimental designs, Analusis, vol. 25, 1997,
p. 202-206.
MASSUMI A., NAJAFI N.M., BARZEGARI H., Speciation of Cr(VI)/Cr(III) in environmental waters by fluorimetric method using central composite, full and fractional
factorial design, Microchemical Journal, 72, 2002, p. 93-101.
MORAND P., VAULLERIN M., ESPAGNACQ A., MORIN-ALLORY L., Explosive formulation by experimental design, Analusis, vol. 26, 1998, p. 291-294.
MORITA K., KUBOTA K., AISHIMA T., Sensory characteristics and volatile components in aromas of boiled prawns prepared according to experimental designs,
Food Research International, vol. 34, n 6, 2001, p. 473-481.
MATHIA P., OUADOU M., LANTERI P., LONGERAY R., CLAVAUD B., Optimisation
design in abrasive resistance of refractory concretes, Applied Mechanics and Engineering, vol. 1, n 3, 1996, p. 367-380.
MORITA K., KUBOTA K., AISHIMA T., Investigating influence of pH and parts on
sensory characteristics and volatile components in boiled squid using experimental
designs, J. of Food Science, vol. 67, n 2, 2002, p. 848-854.
318
Bibliographie
Bibliographie
MOTAMED B., BOHM J.L., HENNEQUIN D., TEXIER H., MOSRATI R., BARILLIER D.,
Development of an HPLC method for the determination of phenolic byproducts : optimisation of the separation by means of the experimental designs
methodology, Analusis, vol. 28, n 7, 2000, p. 592-599.
ROGOWSKI I., TABONI A., LONGERAY R., MIDOL A., LANTERI P., Les plans
dexpriences pour tudier lusure du matriel sportif : application ltude de la perte
de tension de cordage de raquettes de tennis, Chimiomtrie 2000, Paris, 2000.
RUDAZ S., CHERKAOUI S., GAUVRIT J.-Y., LANTERI P., VEUTHEY J.-L., Experimental designs to investigate capillary electrophoresis-electrospray ionization-mass
spectrometry enantioseparation with the partial-filling technique, Electrophoresis,
vol. 22, n 15, 2001, p. 3316-3326.
VEUTHEY J.-L., LANTERI P.-E., LONGERAY J.-R., GAUVRIT J.-Y., VARESIO E.,
Central composite design in the chiral analysis of amphetamines by capillary electrophoresis, Electrophoresis, vol. 18, 1997, p. 931-937.
XU Q.S., LIANG Y.Z., FANG K.T., The effects of different experimental designs on
parameter estimation in the kinetics of a reversible chemical reaction, Chemometrics
and Intelligent Laboratory Systems, vol. 52, n 2, 2000, p. 155-166.
m Principaux logiciels pour plans dexpriences
http://www.jmp.com
http://www.minitab.fr
http://www.intesoft.com/produits/tech/statistica
http://www.sigmaplus.fr
http://www.camo.com
http://www.infometrix.com
http://www.umetrics.com
JMP
MINITAB
Statistica
Statgraphics
Unscrambler
Pirouette
Modde
319
INDEX
A
a 188
aliase 97, 104
analyse
de la variance 82, 256, 263, 290
des rsidus 89
Augmented Simplex-centroid designs 214
B
blocking 149, 151, 161, 305
Box (calcul de) 99, 102
Behnken (plan de) 180, 194
C
calcul de Box 99, 102
carrs
de Youden 255, 266
grco-latins 265
latins 255, 264
moyens des rsidus 84
coefficients 13, 81
de dtermination R2 85
concomitance 104
confusion 104
contraste 97, 104
custom designs 221
D
Daniel (diagramme de) 121
degrs de libert 74, 83
drive 149
dsirabilit 60
diagramme
de Daniel 121
de Pareto 121
des effets 39
des interactions 39
distribution 67, 74
de Laplace-Gauss 74
normale 74
Doehlert (plan de) 181, 199

domaine 273
dtude 6
dun facteur 6
D-optimalit 225
droite de Henry 121
E
carts 83
la moyenne 82, 83
cart-type 67, 71, 72
chantillon 67, 72
effet du facteur 22
erreurs exprimentales 13, 71, 148, 275
espace exprimental 5
expriences de contrle 46
extrapolation matrise 66
F
F de Fisher 84
facteurs 4, 81, 273
boolens 4
continus 4
contrls 34, 148
de blocking 152
de procd 241
discrets 4, 255
indpendants 207
influents 121
ordonnables 4
formule de passage 8
G
gnrateur daliases 104
GGA 110
H
Hadamard (matrice de) 142, 188, 311
Henry (droite de) 121
histogramme 73
hypothses dinterprtation 98
321
Index
I
interaction 27
intervalle de confiance des rponses 79
isovariance par rotation 188
L-M
lack of fit 13, 81
Laplace-Gauss (distribution de) 74
manque dajustement 13, 81
matrice
dexpriences 17
dexprimentation 17
dHadamard 142, 188, 311
dinformation 14
de calcul des coefficients 13
de dispersion 14
du modle 13
orthogonale 311
modle
des plans de mlanges 215
du second degr 179
PDAI 21, 35, 54
postul 20
modlisation mathmatique 12, 215, 255
moyenne 67, 71
N
niveau 6
O
optimalit 225
ordre de Yates 53, 283
orthogonalit 142, 188, 311
P
Pareto (diagramme de) 121
Pas 8
Plackett et Burman (plan de) 142
plan
complmentaire 133, 134
composite 179, 184
dexpriences 17
de base 102
de Box-Behnken 180, 194
de Doehlert 181, 199
de mlange 207
centr 214
augment 214
de Plackett et Burman 142
de Scheff 212
en toile 188
322
Index
en rseaux 212
factoriel
complet 49, 142
fractionnaire 93
grco-latin 255
satur 115
sur mesure 221
points
au centre 70, 188, 214, 276
de contrle 70, 147
de mlange 208
en toile 179, 188
exprimentaux 9
population 67, 72
pure error 13
p-value 88
R
R carr 85
randomisation 150, 175, 274
relation
dquivalence 102
de dfinition 111
rponse 4, 273
corrige de la moyenne 82
rsidus 82, 83
RMSE 84
S
Scheff (plan de) 212
Simplex lattice designs 212
Simplex-centroid designs 214
surface de rponse 12, 179
systme dquations 13
T
tableau dexprimentation 17
transmission des erreurs 78
V
variables centres rduites 8
variance 72, 78
vecteur
des coefficients 13
des carts 13
des rponses 13
Y
Yates 53, 161, 283
Youden (carrs de) 255, 266
049744 - (I) - (0,8) - CSBM90 - TYP - CDD

Imprimerie CHIRAT - 42540 Saint-Just-la-Pendue
Dpt lgal : Novembre 2006 - N 2418
Dpt lgal de la 2e dition : Juin 2001
Imprim en France
INSTRUCTIONS POUR UTILISER LE LOGICIEL JMP

Avant linstallation du logiciel JMP, veuillez lire soigneusement ces premires
instructions, puis consulter le blog du livre (http://www.plansdexperiences.com)
dans lequel elles sont largement dtailles.
Veillez galement bien conserver le numro qui figure sur le sticker qui accompagne le CD-Rom. Il vous servira de numro de srie (serial number) et de numro
dactivation (activation number).
Pour utiliser le logiciel, vous devez effectuer les oprations suivantes :
1. Veuillez introduire le CD-Rom dans le lecteur de votre ordinateur. Cliquez sur
Install JMP 6 dans la fentre dinstallation. La fentre dinstallation apparat.
Cliquez sur Install JMP 6 et suivez les instructions. Cette premire opration
installe le logiciel sur le disque dur de votre ordinateur.
Nota bene
Si une version antrieure de JMP est dj installe sur votre ordinateur, linstallateur procde
dabord une opration de mise jour. Dans la fentre InstallShield Wizard qui apparat alors,
choisissez le bouton radio Remove. Cliquez sur OK dans la fentre Confirm Uninstall, puis sur No
dans la fentre Caution Alert. Pour terminer la maintenance, cliquez sur Finish dans la fentre
InstallShield Wizard. La fentre dinstallation rapparat. Cliquez de nouveau sur Install JMP 6 et
suivez les instructions.
2. Vous pouvez alors utiliser immdiatement le logiciel. Ce logiciel fonctionnera

pendant un mois.
3. Pour tendre la dure dutilisation, vous devez activer le logiciel soit immdiatement soit plus tard. Conservez de toute faon le numro du sticker porte de
main.
4. Une fentre vous invite activer le logiciel. Vous tes mis en relation avec le site
de la socit SAS Institute Inc. aprs avoir saisi en face de Serial Number
le numro dactivation qui figure sur le sticker accompagnant le CD-Rom. Le
logiciel sera alors disponible pendant six mois.
5. Vous trouverez les principales indications pour bien dmarrer et utiliser JMP
dans le chapitre 14 de cet ouvrage. Pour complter vos connaissances, vous
pouvez aller sur le blog du livre (http://www.plansdexperiences.com). Vous y
trouverez un manuel tlchargeable (en franais) dintroduction au logiciel.
Afin de russir linstallation et lactivation, nous vous conseillons de consulter
notre blog o nous vous indiquons tous les dtails des procdures suivre.
Vous y trouverez galement des explications supplmentaires sur les exemples, de
nouveaux exemples et des rponses aux questions poses par les lecteurs du livre,
les utilisateurs du logiciel et les exprimentateurs utilisant des plans dexpriences.
Ce CD-Rom daccompagnement de louvrage de Jacques Goupy et Lee Creighton, Introduction
aux plans dexpriences (3e dition, 2006), est offert par DUNOD et SAS Institute Inc. Il ne peut
tre vendu sparment, ni repris ni chang.
324
TECHNIQUE ET INGNIERIE
GESTION INDUSTRIELLE
Srie Conception
CONCEPTION
FROID ET GNIE CLIMATIQUE
MCANIQUE ET MATRIAUX
Jacques Goupy Lee Creighton
CHIMIE
INTRODUCTION
AUX PLANS DEXPRIENCES
ENVIRONNEMENT ET SCURIT
travers de nombreux exemples rels emprunts des exprimentateurs

issus de secteurs industriels varis, cet ouvrage expose de faon progressive
et applique les techniques ncessaires la conduite dune tude par
plans dexpriences. Cette 3e dition a t complte pour aborder
lensemble des types de plans :
plan factoriel complet ;
plan fractionnaire ;
plan pour surfaces de rponse (composites, de Box-Behnken, de
Doehlert) ;
plan de mlanges ;
plan optimal ;
plan pour variables discrtes.
JACQUES GOUPY
Cet ouvrage constitue un outil prcieux pour tous les exprimentateurs

en recherche, en dveloppement ou en industrialisation dans de trs
nombreux domaines (agroalimentaire, chimie, mtallurgie, mcanique,
lectronique, pharmacie, mdecine, informatique, etc.).
Le CD-Rom gratuit accompagnant louvrage contient une version rcente
et complte du logiciel de plans dexpriences JMP (SAS Institute Inc.).
Ce logiciel permet de raliser rapidement les calculs les plus complexes
et de tracer les diagrammes des exemples dapplications proposs.
http://www.plansdexperiences.com
3 e dition
est ingnieur-conseil
auprs dimportantes
socits et enseigne la
mthodologie des plans
dexpriences en coles
dingnieurs et dans
lindustrie.
Il est lauteur de plusieurs
livres et articles de
rfrence sur le sujet, dont
Pratiquer les plans
dexpriences, Plans
dexpriences pour
surfaces de rponse et
Plans dexpriences : les
mlanges parus aux
ditions Dunod.
LEE CREIGHTON
est professeur de
mathmatiques et
responsable de la
documentation JMP chez
SAS Institute Inc. Il est
lauteur de plusieurs
ouvrages de statistiques
dont JMP Start Statistitics :
a Guide to Statistics and
Data Analysis et
Regression with JMP.
Pour travailler plus
efficacement, tlchargez
les fichiers JMP des
exemples dvelopps dans
louvrage.
9 782100 497447
ISBN 2 10 049744 8
EEA
www.dunod.com

4 - Introduction Aux Plans Dexpériences PDF

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

4 - Introduction Aux Plans Dexpériences PDF

Încărcat de

Drepturi de autor:

Formate disponibile

SRIE

CHEZ LE MME DITEUR

Jacques Goupy Lee Creighton

Dunod, Paris, 2001, 2006

Bordas, Paris, 1988, pour la 1re dition

TABLE DES MATIRES

Processus dacquisition des connaissances

tude dun phnomne

Variables centres rduites

2 Votre premier plan dexpriences

Exemple 01 : je matrise la consommation de ma voiture

3 Plan dexpriences pour 3 facteurs

Exemple 02 : des bijoux en or

4 Plans factoriels complets 4 facteurs

Exemple 03 : la galette des rois

5 Notions de statistique appliques aux plans dexpriences

Exemple 04 : dure de vie des outils de coupe jetables

Notions de statistique appliques aux plans dexpriences

Facteurs et interactions influents

6 Plans factoriels fractionnaires

Thorie des aliases

Construction pratique dun plan fractionnaire

Nombre maximal de facteurs tudis sur un plan de base

Application de la thorie des aliases lexemple 05

7 Exemples de plans factoriels fractionnaires

Exemple 08 : les pommes de terre chips

8 Ordre des essais

Nature des erreurs

Exemple 09 : le Penicillium chrysogenum (exemple de blocking)

Exemple 10 : les haricots de Yates

Exemple 11 : le broyeur (exemple de plan anti-drive)

Avantages et dangers de la randomisation

9 Plans pour surfaces de rponse

Prsentation des plans composites

Prsentation des plans de Box-Behnken

Prsentation des plans de Doehlert

Exemple 12 : la rectification du contrematre (exemple de plan composite)

Exemple 13 : un yoghourt doux (exemple de plan de Box-Behnken)

Exemple 14 : linsecticide (exemple de plan de Doehlert)

10.1 Contrainte fondamentale des mlanges

10.2 Reprsentation gomtrique des mlanges

10.3 Plans de mlanges classiques

10.4 Modles mathmatiques des plans de mlanges

10.5 Exemple 15 : les trois polymres

11 Notion de plan optimal

11.1 Exemple dHotelling

11.2 Peses et plans dexpriences

11.4 Plans optimaux avec un modle linaire

11.5 Quand utiliser des plans optimaux ?

11.6 Adaptabilit des plans optimaux

11.7 Exemple 16 : dveloppement dun dtecteur de fissures

11.8 Exemple 17 : les comprims du pharmacien

11.9 Exemple 18 : la crme bronzer

12 Carrs latins et plans associs

12.1 Exemple 19 : les salaires un facteur discret plusieurs niveaux

12.2 Suite de lexemple 19 deux facteurs discrets plusieurs niveaux

12.3 Carrs latins

12.4 Carrs grco-latins

12.5 Carrs de Youden

12.6 Exemple 20 : tude de la pntromtrie

13.1 Choix dune mthode dexprimentation

13.3 Analyse des rsultats

13.4 Acquisition progressive des connaissances