Documente Academic
Documente Profesional
Documente Cultură
Jacques Goupy
| CONCEPTION
Lee Creighton
INTRODUCTION
AUX PLANS
DEXPRIENCES
3e dition
INTRODUCTION
AUX PLANS
DEXPRIENCES
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.
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.
ISBN 2 10 049744 8
Avant-propos
1 Faites connaissance avec la mthode des plans dexpriences
IX
1
1.1
1.2
1.3
Terminologie
1.4
1.5
Points exprimentaux
1.6
Plans dexpriences
10
15
15
31
3.1
31
3.2
Conclusion de ltude
47
49
4.1
50
4.2
Fonction dsirablit
60
4.3
Application lexemple 03
64
4.4
Conclusion de ltude
65
67
5.1
68
5.2
71
5.3
81
5.4
Analyse de la variance
82
5.5
Application lexemple 04
85
5.6
Conclusion de ltude
91
Exemple 05 : le tellure
94
6.2
97
6.3
Calcul de Box
99
6.4
Relation dquivalence
102
6.5
Gnrateurs daliases
104
6.6
105
6.7
112
6.8
112
6.9
Conclusion de ltude
113
115
7.1
Exemple 06 : la sulfonation
116
7.2
Exemple 07 : le spectrofluorimtre
124
7.3
140
147
8.1
148
8.2
151
8.3
161
8.4
168
8.5
175
179
9.1
179
9.2
180
9.3
181
9.4
184
9.5
194
9.6
199
10 Plans de mlanges
VI
93
207
207
208
212
215
217
221
221
223
11.3 Optimalit
225
229
232
232
235
240
248
255
255
257
264
265
266
267
13 Synthse et conseils
271
271
13.2 Exprimentation
277
277
279
13.5 Recommandations
280
280
281
281
286
288
290
291
293
VII
Annexes
A Origine des exemples
297
299
301
307
Bibliographie
313
Index
321
324
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
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 Dcouvrir la mthode
des plans dexpriences
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 :
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 Dcouvrir la mthode
des plans dexpriences
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 Dcouvrir la mthode
des plans dexpriences
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
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 Dcouvrir la mthode
des plans dexpriences
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 Dcouvrir la mthode
des plans dexpriences
1.3 Terminologie
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
1 Dcouvrir la mthode
des plans dexpriences
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 Dcouvrir la mthode
des plans dexpriences
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
Pour cet exemple, la vitesse de 90 km/h est donc gale 0,5 en variables codes.
1 Dcouvrir la mthode
des plans dexpriences
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
Point exprimental
250 kg
x2, j
Facteur 1
x1, i
90 km / h
Vitesse
1 Dcouvrir la mthode
des plans dexpriences
+1
Facteur 1
Figure 1.7 Exemple de disposition des points exprimentaux dans un domaine sans contraintes.
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
1 Dcouvrir la mthode
des plans dexpriences
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.
Surcharge
(kg)
1 000
+1
Facteur 1
1
80
+1
120
Vitesse (km/h)
11
1 Dcouvrir la mthode
des plans dexpriences
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 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}
1 Dcouvrir la mthode
des plans dexpriences
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
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
1 Dcouvrir la mthode
des plans dexpriences
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
14
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.
Cette tape se dcompose en plusieurs parties dont les principales sont dcrites
dans les paragraphes suivants.
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
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
Niveau bas ()
Vitesse (1)
80 km/h
120 km/h
Surcharge (2)
300 kg
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.
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
Facteur 2
Surcharge
D
C
300 kg
+1
Domaine d'tude
0 kg
1
80 km/h
+1
120 km/h
Facteur 1
Vitesse
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
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
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).
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
9,7
300
+1
150
12,3
D
8,3
10,7
80
+1
Facteur 1
100
120
Vitesse (km/h)
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
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 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
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
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+
Dunod La photocopie non autorise est un dlit.
(0)
1
B
+1
(80)
(100)
(120)
Facteur 1
(Vitesse)
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
M +
y+
Effet du Facteur 1
y0
M
M+
Facteur 1
+1
11,5
Effet de la vitesse : 1,25 l /100 km
10,25
M
M+
80
100
120
Vitesse (km/h )
24
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
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 +
Dunod La photocopie non autorise est un dlit.
11
Effet de la surcharge : 0,75 l/100 km
10,25
M -
9,5
M+
150
300
Surcharge (kg)
25
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
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
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 )
27
{2.2}
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
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
Rponse
12,3
9,38
8,3
90
80
120
Vitesse
100
300
Surcharge
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
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.
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
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
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 :
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).
Tableau 3.1 Facteurs et domaine dtude.
34
Facteur
Niveau bas ()
Concentration en or (1)
2 g/l
15 g/l
5 A/dm2
25 A/dm2
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)
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
3.1.3 Exprimentation
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)
Valeur
Constante
80
Concentration en or (1)
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
25
20
15
10
5
0
5
10
15
20
Or (1)
Courant (2)
Co (3)
12
13
23
123
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
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
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
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)
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
Concentration en or (1)
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
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) :
{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
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
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
Concentration Or (1)
15 2
Concentration Or (1)
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.
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
Concentration Cobalt
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
Concentration Cobalt
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
47
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
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
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
0,90
1,1
Peu
Normal
Beaucoup
Fort au dbut
Homogne
Fort la fin
29 min
30 min
31 min
51
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
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.
4.1.2 Exprimentation
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.
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
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
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
Dcollement
Fle
Moyenne
2,4
2,16
0,2
0,54
Trous (2)
0,05
0,11
Chauffage (3)
0,2
0,14
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
0,6
0,4
0,2
0,2
0,4
0,6
1
12
13
14
23
24
34
123
124
134
234 1234
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
Fle
Valeur des coefficients
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
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)
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
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)
Dcollement
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)
Dcollement
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)
Dcollement
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
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.
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
Dcollement
Peu de
dcollement
2,8
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.
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
61
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
Rponse
La rponse ne
convient pas
La rponse est
satisfaisante
La rponse ne
convient pas
d=0
d = 1 Dsirabilit
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
63
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
Dcollement
2,5
2
0,8
1
+1 1
Poids (1)
Trous (2)
+1
+1
Chauffage (3)
+1
Cuisson (4)
+1
Dsirabilit
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
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.
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
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.
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.
m Choix de la rponse permettant datteindre lobjectif
68
Facteurs
Niveau 1
Niveau 0
Niveau +1
Dbit (1)
650
725
800
10
18
26
Profondeur (3)
0,05
0,125
0,20
0,5
0,75
5 Statistiques appliques
aux plans dexpriences
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).
5.1.2 Exprimentation
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
5 Statistiques appliques
aux plans dexpriences
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
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 Statistiques appliques
aux plans dexpriences
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.
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
m cart-type
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
5 Statistiques appliques
aux plans dexpriences
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
5 Statistiques appliques
aux plans dexpriences
y = 1--- y i
n
i=1
Effectif
35
30
25
20
15
10
5
0
8
10
11
12
13
14
15
Valeur de la variable
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
5 Statistiques appliques
aux plans dexpriences
2
1
------------ ( y i y )
n1
i=1
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
1
f ( y ) = ----------------------------------e
population 2
(y )
-------------------------2
2 population
5 Statistiques appliques
aux plans dexpriences
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).
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
5 Statistiques appliques
aux plans dexpriences
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
0,8
cart-type
Figure 5.4 La probabilit de tirer une valeur infrieure 0,8
est proportionnelle la surface grise.
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).
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
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
est proportionnelle la surface grise.
5 Statistiques appliques
aux plans dexpriences
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 5.6 Dans lintervalle m spopulation, il y a 68,26 % de la population.
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.
5 Statistiques appliques
aux plans dexpriences
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 5.8 Dans lintervalle m 3 spopulation, il y a 99,74 % de la population.
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
5 Statistiques appliques
aux plans dexpriences
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
s =
2
1
------------ ( y i y )
n1
i=1
79
5 Statistiques appliques
aux plans dexpriences
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 Statistiques appliques
aux plans dexpriences
5 Statistiques appliques
aux plans dexpriences
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.
( yi y )
(y i y ) + ri
2
{5.2}
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
5 Statistiques appliques
aux plans dexpriences
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
5 Statistiques appliques
aux plans dexpriences
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
5 Statistiques appliques
aux plans dexpriences
Somme
des carrs
ddl
Carr
moyen
Fisher
965,30
10
96,530
46,3196
Rsidus
10,42
2,084
Prob F 0,0003
975,72
15
m Coefficient de dtermination R2
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
5 Statistiques appliques
aux plans dexpriences
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
5 Statistiques appliques
aux plans dexpriences
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
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
5 Statistiques appliques
aux plans dexpriences
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
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
5 Statistiques appliques
aux plans dexpriences
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
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
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
Figure 5.9 Analyse des rsidus de lexemple sur les outils de coupe.
89
5 Statistiques appliques
aux plans dexpriences
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
5 Statistiques appliques
aux plans dexpriences
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
5 Statistiques appliques
aux plans dexpriences
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
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
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
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).
m Dfinition de lobjectif de ltude
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.
m Choix de la rponse permettant datteindre lobjectif
6 Plans factoriels
fractionnaires
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
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
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
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 Plans factoriels
fractionnaires
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
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.
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
1
I = 1
1
1
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
6 Plans factoriels
fractionnaires
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
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
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
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
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 Plans factoriels
fractionnaires
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
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.
6 Plans factoriels
fractionnaires
12
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.
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
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
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
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
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
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
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.
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.
4 = 123
5 = 12
6 = 13
7 = 23
6 Plans factoriels
fractionnaires
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
23 = 14
et 23 = 14 = a23 + a14
6 Plans factoriels
fractionnaires
15
10
5
0
5
10
15
20
Na (1)
K (2)
Ca (3)
Mg (4)
12 + 34
13 + 24
23 + 14
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
115
7 Exemples de plans
factoriels fractionnaires
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.
m Dfinition de lobjectif de ltude
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
factoriels fractionnaires
Le domaine dtude des six facteurs tudis au cours du plan dexpriences est
prcis dans le tableau 7.1.
Tableau 7.1 Facteurs retenus et domaine dtude.
Facteurs
Niveau 1
Niveau +1
5h
9h
0%
10 %
95 C
110 C
sans
avec
10 min
30 min
0,8
1,2
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).
7.1.2 Exprimentation
117
7 Exemples de plans
factoriels fractionnaires
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
factoriels fractionnaires
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
7 Exemples de plans
factoriels fractionnaires
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
0,25
1,96
0,41
0,88
0,49
0,16
0,40
0,46
0,45
0,18
0,11
0,26
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
120
7 Exemples de plans
factoriels fractionnaires
7 Exemples de plans
factoriels fractionnaires
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
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
factoriels fractionnaires
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)
7 Exemples de plans
factoriels fractionnaires
7 Exemples de plans
factoriels fractionnaires
Monochromateur
dmission
Monochromateur
dexcitation
Fente
dexcitation
Fente
dmission
Photomultiplicateur
Lampe au
Xnon
chantillon
Enregistreur
C
A
481
489
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
factoriels fractionnaires
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
2,5 nm
7,5 nm
2,5 nm
7,5 nm
Temprature (3)
20 C
40 C
20
100
Gain (5)
10
Tension (6)
310 V
460 V
Amortissement (7)
m Modlisation mathmatique
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.
m Choix du plan dexpriences
7 Exemples de plans
factoriels fractionnaires
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
7 Exemples de plans
factoriels fractionnaires
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
factoriels fractionnaires
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
7 Exemples de plans
factoriels fractionnaires
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
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
factoriels fractionnaires
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
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+
7 Exemples de plans
factoriels fractionnaires
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
factoriels fractionnaires
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
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+
7 Exemples de plans
factoriels fractionnaires
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
Slectivit
+
+
Temprature (3)
Vitesse balayage (4)
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
factoriels fractionnaires
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.
4 = 123
5 = 12
6 = 23
7 = 13
10
11
12
13
14
15
16
135
7 Exemples de plans
factoriels fractionnaires
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
7 Exemples de plans
factoriels fractionnaires
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).
Sensibilit
Bruit de fond
Slectivit
Constante
3,35
0,54
11,47
0,19
1,31
0,78
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
factoriels fractionnaires
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+
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.
7.2.5 Conclusion de ltude
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
factoriels fractionnaires
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
Bruit de fond
Slectivit
+
+
Temprature (3)
Vitesse balayage (4)
Gain (5)
Tension (6)
Amortissement (7)
7 Exemples de plans
factoriels fractionnaires
481
489
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
7 Exemples de plans
factoriels fractionnaires
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.
m Facteurs et domaine dtude
Units
Niveau 1
Niveau +1
MPa
30
50
50
70
min
45
75
MPa
15
25
40
kg/h
600
800
Sel (7)
Taille (8)
petite
grande
Type (9)
plat
stri
m Modlisation mathmatique
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
factoriels fractionnaires
PE
Te
DE
PS
TS
CO2
Sel
Taille
Type
10
11
12
142
7 Exemples de plans
factoriels fractionnaires
PE
Te
DE
PS
TS
CO2
Sel
Taille
Type
30
50
45
25
600
petite
plat
50
70
75
15
40
800
grande
stri
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
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
factoriels fractionnaires
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
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
Les effets tant positifs, on extrait plus dhuile forte pression qu faible pression.
144
7 Exemples de plans
factoriels fractionnaires
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
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
7 Exemples de plans
factoriels fractionnaires
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
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
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.
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
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.
a
b
c
d
e
f
g
h
Essai
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.
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)
c
b
Essai
m Description de ltude
m Objectif de ltude
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
Niveau 1
Niveau +1
2%
3%
Lactose (2)
2%
3%
Prcurseur (3)
0,05 %
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.
m Choix du plan dexpriences
8.2 Exemple
Exemple 09
09 :: le
le Penicillium
Penicillium chrysogenum
chrysogenum
8.2
(exemple de
de blocking)
blocking)
(exemple
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
etc.
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.
Bloc = 12345
18
19
21
153
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
Penicillium chrysogenum
chrysogenum
8.2
(exemple de
de blocking)
blocking)
(exemple
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.
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
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
Penicillium chrysogenum
chrysogenum
8.2
(exemple de
de blocking)
blocking)
(exemple
La deuxime campagne dessais est ralise quelques mois plus tard. Le tableau 8.4
indique les rsultats des mesures.
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
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
25
20
15
10
5
0
5
10
15
20
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
Penicillium chrysogenum
chrysogenum
8.2
(exemple
(exemple de
de blocking)
blocking)
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
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
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
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.
8.2.5 Conclusion de ltude
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
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.
m Description de ltude
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
Niveau 1
Niveau +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
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
124
135
Bloc 1
Bloc 2
+1
Bloc 3
+1
Bloc 4
+1
+1
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
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
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
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
Valeur
Constante
58,91
Effet
Valeur
123
0,99
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
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
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
71,6
65,6
58,8
54,7
Potasse
(Facteur 5)
70,6
59,1
Fumure
34,5
56,1
(Facteur 2)
Figure 8.13 Rendement des haricots en fonction des trois facteurs les plus influents.
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
E3 = E3 + 2 h
E13 = E13
E123 = E123
E23 = E23
I = I + 4,5 h
169
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
m Drive quelconque
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
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
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
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.)
Valeur
Constante
370,5
48,25
Pression (2)
25,5
Entrefer (3)
6,25
12
58,25
13
23
15,75
123
29
173
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
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.
Essai n
Vitesse de rotation
(1)
Pression
(2)
Entrefer
(3)
Rponses
1 (1)
415
5 (2)
358
8 (3)
474
175
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
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
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
40
20
0
20
40
60
1
12
13
23
123
Rponses corriges
Simple randomisation
(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
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
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.
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.
+ 0,866
4
+1
+1
- 1
0,5
+ 0,5
+1
0,866
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
182
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
+ 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
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
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
Les niveaux haut et bas de chaque facteur sont dfinis comme lindique le tableau 9.3.
Tableau 9.3 Domaine dtude.
Facteur
Niveau
1,21
Niveau
1
Niveau
0
Niveau
+1
Niveau
+1,21
0,74
0,9
1,65
2,4
2,56
13,95
15
20
25
26,05
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
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.
Tableau 9.5 Coefficients du modle (units codes).
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
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
187
= 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
= -------------------------------------------------------------
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
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.
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
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 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
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
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)
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
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
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
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
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
EAU
LAIT BRUT
CONCENTRATION
LACTOSE
+
EAU
194
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 niveaux haut et bas de chaque facteur sont dfinis comme lindique le tableau 9.9.
Tableau 9.9 Domaine dtude.
Facteur
Niveau -1
Niveau +1
Dilution (1)
0,5
pH (2)
Concentration (3)
1,5
2,5
m Rponses
9.5.2 Exprimentation
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
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
Degrs de libert
Carrs moyens
Manque dajustement
0,3825
0,1275
Erreur pure
0,9800
0,4900
Rsidus
1,3625
0,2725
197
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
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
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.
Niveau 1
Niveau 0
Niveau +1
Insecticide (1)
0,01 %
0,03 %
0,05 %
0,1 %
0,4 %
0,7 %
Synergiste (3)
0%
1%
2%
m Rponses
Les biologistes savent quil faut sattendre des surfaces de rponse du second
degr. Un plan de Doehlert pour trois facteurs semble parfaitement convenir.
9.6.2 Exprimentation
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
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%
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
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
Nom des coefficients
22
33
Figure 9.16 Diagrammes barres des coefficients des modles du M24 et du KT50.
202
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
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
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
100
90
80
M24
M24
80
100
70
80
60
60
50
40
60
40
1
0,5
0,5
0
0
Insecticide (1)
0,5
1
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
Insecticide (1)
0,5
1
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
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 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
xi
= 1
i=1
0,75
Mlange
0,50
0,25
Produit A
0,00
0,25 x a 0,50
0,75
1,00
208
10 Plans de mlanges
1,00
Mlange 1
0,75
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.
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
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 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
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 )!
213
10 Plans de mlanges
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
10 Plans de mlanges
5
7
10
{10.2}
215
10 Plans de mlanges
{10.3}
10 Plans de mlanges
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
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
10.5.2 Exprimentation
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
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
Rponses mesures
Rponses calcules
37
37,38
32
32,22
10
38
38,22
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
219
10 Plans de mlanges
220
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.
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
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
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
{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
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.
et
XX = 1
225
11.3 Optimalit
0
1
0
0
0
0
1
0
0
0
0
1
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
0,024
0,187
0,332
0,027
|X X| avec 1
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
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
X =
r1
r2 r1 r2
r3
r4 r3 r4
r5
r6 r5 r6
r7
r8 r7 r8
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
5,6
104
1,6 105
|X X| avec 1
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
232
Facteur 1
Facteur 2
Facteur 3
Facteur 2
Facteur 3
Facteur 2
Facteur 3
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
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
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.
Tableau 11.9 Facteurs et domaine dtude.
Facteur
Niveau 1
Niveau 0
Niveau +1
90
135
180
0,38
0,76
1,14
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
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
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
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
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
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
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
Nombre
denroulements (1)
Distance des
enroulements (2)
Calibre
des fils (3)
Sensibilit
1,190
2,210
1,510
0,823
238
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.
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
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.
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
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
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.
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 :
y = b1x1 + b2x2 + b3x3 + b12x1x2 + b13x1x3 + b23x2x3
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
Le tableau 11.6 indique le plan dexpriences qui a t retenu par les exprimentateurs.
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
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
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
245
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
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
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
+1
Facteur 1
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
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
Valeur
cart-type
t de Student
p-value
Constante
41,875
3,716
11,27
0,0004
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
{modle 1}
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
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
200
60
70
65
75
80
180
160
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
200
70
65
75
80
180
160
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}
Valeur
cart-type
t de Student
p-value
Constante
42,62
0,659
64,69
< 0,0001
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
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)
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
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.
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}
12 Carrs latins
et plans associs
( yi y )
ys
ai + ei
2
180
as
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
( y J y ) + ( y L y ) + ( y S y ) = ( 40 ) + ( 10 ) + ( 50 ) = 4 200
256
12 Carrs latins
et plans associs
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
Application numrique
3
= a J + a L + a S = ( 40 ) + ( 10 ) + ( 50 ) = 4 200
2
1
a = --- 4 200 = 1 400
3
a = 37,41
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
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.
Tableau 12.1 Matrice dexprimentation.
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
{12.2}
12 Carrs latins
et plans associs
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
Valeurs
Moyenne
130
Jacques
40
Lee
10
Simon
50
Entreprise A
Entreprise B
Entreprise C
40
20
20
40
60
Jacques
Lee
Simon
Entreprise A
Entreprise B
Entreprise C
Figure 12.4 Diagramme barres des effets des facteurs : personnes et entreprises.
( 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
Application numrique
1. Calcul de
( yi, j y )
(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
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
Moyennes des
salaires touchs
Moyenne
gnrale
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
Additionnons ces carrs. On trouve que la somme des carrs des effets des personnes est gale 12 600.
3. Calcul de
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
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
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
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.
Source des variations
Personnes
12 600
Entreprises
114
Rsidus
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
ddl
Carrs moyens
F de Fisher moyens
Modle
12 714
3 178,50
2 119
Rsidus
1,5
12 720
263
12 Carrs latins
et plans associs
Le F de Fisher est trs lev, on peut en conclure que le modle explique bien les
rponses mesures.
III
Facteur 2
(chiffres romains)
II
I
1
Figure 12.5 Carr latin pour tudier trois facteurs ayant chacun trois niveaux.
12 Carrs latins
et plans associs
Facteur 3
(lettres latines)
III
II
I
1
Facteur 2
(chiffres romains)
IV
III
Facteur 2
(chiffres romains)
II
I
1
Figure 12.7 Carr latin pour tudier 3 facteurs ayant chacun 4 niveaux.
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.
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
IV
III
II
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
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
12.6.2 Exprimentation
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
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
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
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
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
13 Synthse et conseils
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
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
Suite donner
Nouveau
domaine ?
Nouveau
modle ?
Plan
complmentaire ?
NON
NON
NON
OUI
ou
OUI
ou
OUI
272
Arrt
13 Synthse et conseils
m Objectif de ltude
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
13 Synthse et conseils
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 ?
13 Synthse et conseils
13 Synthse et conseils
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 Synthse et conseils
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.
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
13 Synthse et conseils
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 ?
13 Synthse et conseils
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
13 Synthse et conseils
13.5 Recommandations
13.5 Recommandations
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.
14 PRPAREZ ET ANALYSEZ
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.
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.
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
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
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.
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.
Zone de d-slection
Nom
des facteurs
Variables
discrtes
Variables
continues
Variable
ordonnables
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
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.
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
des coefficients, les rsidus, des graphiques sur les effets des facteurs, les corrlations
entre les niveaux des facteurs, les coefficients ou les rponses, etc.
292
Figure 14.6 Illustration des graphiques Contour Profiler ( gauche) et Surface Profiler ( droite).
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.
294
Annexes
Exemple n
Chap.
Titre
J. Goupy
Des bijoux en or
Dure de vie
des outils de coupe
jetables
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
Le spectrofluorimtre
Origine
297
Annexes
Exemple n
298
Chap.
10
11
12
13
14
15
10
16
11
17
11
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.
F. Yates, The Design and Analysis of Factorial Experiments, Bulletin 35, Hafner (MacMillan), Imperial
Bureau of Soil Science, Harpenden, Herts, 1937.
Le broyeur
La rectification
du contrematre
Un yoghourt doux
Linsecticide
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
La crme bronzer
18
11
19
12
Les salaires
J. Goupy
20
12
tude de la pntromtrie
J. Goupy
B COMPARAISON
DE DEUX MOYENNES INDPENDANTES
i = n1
y 1, i
i=1
i = n1
( y 1, i y 1 )
i=1
m Deuxime moyenne
1
V ( y 2, j ) = -------------n2 1
j = n2
( y 2, j y 2 )
j=1
V() =
V ( y2 ) + V ( y1 )
299
Annexes
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
Srie n
10
11
12
13
14
15
16
17
18
19
20
21
22
301
Annexes
Srie n
302
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
Annexes
306
Sries
miroir
Facteur
(1)
Facteur
(2)
Facteur
(3)
Facteur
(4)
Blocking
sur 134
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.
Cest un tableau dans lequel le nombre de lignes est gal au nombre de colonnes.
M Matrice ligne
Annexes
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
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
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
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
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
a 11 a 12 a 13
a 21 a 22 a 23
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
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
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 )
( 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
Bibliographie
Bibliographie
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
Dunod La photocopie non autorise est un dlit.
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
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
Imprim en France
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.
324
TECHNIQUE ET INGNIERIE
GESTION INDUSTRIELLE
Srie Conception
CONCEPTION
MCANIQUE ET MATRIAUX
CHIMIE
INTRODUCTION
AUX PLANS DEXPRIENCES
ENVIRONNEMENT ET SCURIT
JACQUES GOUPY
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