Plans factoriels complets à deux niveaux.

1.Introduction

1.1 Généralités

L'étude d'un phénomène peut, le plus souvent, être schématisé de la manière suivante : on
s'interesse à une grandeur, Y que nous appellerons par la suite réponse qui dépend d'un grand
nombre de variables, X1, X2, , Xn, que nous appellerons par la suite facteurs.
La modélisation mathématique consiste à trouver une fonction f telle que Y = f (X1, X2, ,
Xn). Une méthode classique d'étude consiste en la mesure de la réponse Y pour plusieurs
valeurs de la variable Xi tout en laissant fixe la valeur des (n - 1) autres variables. On itère
alors cette méthode pour chacune des variables. Ainsi, par exemple, si nous avons 4 variables
et si l'on décide de donner 5 valeurs expérimentales à chacune d'elles, nous sommes conduit à
effectuer 54 = 625 expériences. Ce nombre élevé dépasse les limites de faisabilité tant en
temps qu'en coût. Il faut donc réduire le nombre d'expériences à effectuer sans pour autant
perdre sur la qualité des résultats recherchés. L'utilisation d'un << plan d'expérience>> donne
alors une stratégie dans le choix des méthodes d'expérimentation. Le succès des plans
d'expériences dans la recherche et l'industrie est lié au besoin de compétitivité des entreprises
: ils permettent une amélioration de la qualité et une réduction des coûts. La méthode des
plans d'expériences a été mise au point au début du siècle, dans les années 1920, par Ronald
A. Fisher, dans le cadre d'études agronomiques. Elle a pris un essor considérable avec le
développement de l'informatique et la puissance de calcul qui l'accompagne. La grande
nouveauté de la méthode des plans d'expériences est qu'elle propose une expérimentation
factorielle, c'est-à-dire que tous les facteurs varient simultanément. Le traitement des résultats
se fait à l'aide de la régression linéaire multiple et l'analyse de variance.

1.2 Notion de modèle et de régression linéaire multiple.

1.2.1 Position du problème.

La régression linéaire multiple est une méthode d'analyse de données quantitatives. Elle a
pour but de mettre en évidence la liaison pouvant exister entre une variable dite expliquée,
que l'on notera Y et plusieurs autres variables dites explicatives que l'on notera X1, X2, ... ,
Xk.

Les k variables Xi, i = 1, ... , k peuvent être soit aléatoires, soit contrôlées c'est-à-dire qu'elles
sont connues sans erreur. Nous supposerons dans la suite que les variables Xi, i = 1, ... , k
sont contrôlées. Nous nous intéressons aux modèles dit linéaires, c'est-à-dire aux modèles du
type :

Y =0 +1X1 + 2X2 + ... +kXk

dans lequel 0, 1, ... , k sont des réels appelés coefficients du modèle (c'est, ici, un modèle
sans interaction).

Montrons que ce modèle est insuffisant pour décrire la réalité. En effet, dans la pratique, on
effectue n expériences donc on dispose de n résultats de mesures.

Nous utiliserons les notations suivantes : pour l'expérience i, X1 prend la valeur xi1, X2 prend
la valeur xi2, ... , Xk prend la valeur xik. La valeur (yi)obs observée de Y obtenue lors de la
réalisation de l'expérience i diffère de la valeur yi attendue d'une quantité aléatoire que nous
noterons i. L'existence du << facteur d'erreur>> i est dû à des facteurs non contrôlés (dérive
des appareils, adresse de l'expérimentateur, etc). Cela justifie le fait que nous adopterons
désormais le modèle suivant :

Y =0 +1X1 + 2X2 + ... +kXk + 

dans lequel 0,1, 2, ... , k sont, en réalité, des variables aléatoires et  une variable
aléatoire prenant le nom de facteur d'erreur.

1.2.2 Estimation des coefficients du modèle.

On appelle << ajustement >> du modèle toute solution du système des n équations :

yi = a0 + a1xi1 + ... + akxik + ei (i = 1, 2, ... , n)

dans laquelle :

a) yi, xi1, ... , xik sont les valeurs observées lors de la réalisation des expériences.

b) ei sont les résidus d'ordre i observés lors de la réalisation des expériences. Ils sont définis
par :

ei = yi -  ak xik

c) a0, a1, ... , ak les estimateurs des variables aléatoires 0, 1, 2, ... , k

L'<< ajustement des moindre carrés >> est celui qui fournit les estimateurs a0, ... , ak
conduisant au minimum de la somme des carrés des résidus , autrement dit :

 ei² = valeur minimale

Le calcul des estimateurs a0, a1, ... , ak , résulte de l'application de résultats de l'algèbre
linéaire qui n'ont pas leur place ici. Nous donnerons, dans le cadre des plans d'expériences
(voir paragraphe 3.2.2), une méthode simple de calcul de ces estimateurs. On obtient alors :

Y observé = a0 + a1X1 + a2X2 + ... + akXk + e

Dans la pratique, pour ne pas alourdir le discours et les écritures, on écrira Y à la place de
Yobservé, on dira que a0, a1, ... , ak sont les coefficients du modèle et on omettra souvent le
résidu e.

2. Plan 2k : principe et définitions

2.1. Principe

Le tableau des données est du type suivant :

X1 X2 Xn Réponse : Y

x11 x12 x1n Y1

xn1 xn2 xnn Yn

dans lequel on a n variables et l'on a réalisé n expériences. Ce tableau permet de définir un

modèle linéaire de régression multiple et l'analyse de variance permet de déterminer quels
sont les facteurs dont l'influence est significative à un risque donné.

2.2. Définitions

2.2.1. Facteurs. Plan 2k

On appelle facteurs, les paramètres supposés influencer la réponse qui caractérise le

comportement du phénomène étudié. Il est important de pouvoir attribuer à chacun des
facteurs deux niveaux, l'un sera qualifié de << niveau bas>> l'autre de << niveau haut>>.
Ainsi par exemple, si dans l'étude d'un process la température doit intervenir, on peut décider
de ne travailler qu'avec une température de 20oC puis de 60oC. On dira alors que le niveau bas
du facteur température est 20oC et le niveau haut est 60oC ; le domaine expérimental de la
température sera 20oC-60oC. Si le facteur est qualitatif, le niveau bas et le niveau haut
correspondront à deux modalités du facteur, par exemple deux types de solvant. Dans la
pratique, le niveau bas sera codé à l'aide du nombre -1 et le niveau haut à l'aide du nombre +1.
Un plan pour lequel chacun des k facteurs ne possède que 2 niveaux est appelé plan 2k.

2.2.2 Matrice d'expériences.

La matrice d'expériences est le tableau qui indique le nombre d'expériences à réaliser avec la
façon de faire varier les facteurs et l'ordre dans lequel il faut réaliser les expériences. Ce
tableau est donc composé de +1 et de -1. Soit, par exemple, la matrice d'expériences suivante :
Exp X1 X2

1 -1 -1

2 +1 -1

3 -1 +1

4 +1 +1

On réalisera alors, dans la pratique 4 expériences. La colonne de gauche de la matrice

d'expérience indique le numéro de l'expérience (ou de l'essai). La troisième ligne indique que
lors de la réalisation du deuxième essai, le facteur X1 sera au niveau haut alors que le facteur
X2 sera, lui, au niveau bas. Dans le cas où l'on ajoute à droite de la matrice d'expérience une
colonne avec les réponses, on obtient la << matrice d'expériences et des réponses>>.

2.2.3 Effet global et effet moyen d'un facteur.

A. Un seul facteur.
Supposons qu'il n'y ait qu'un seul facteur X1 à deux niveaux. Notons y2 la réponse (résultat de
l'expérience) lorsque X1 est au niveau +1 et y1 la réponse lorsque X1 est au niveau -1. La
matrice d'expérience et des réponses est :

Exp X1 Réponse : Y rep

1 -1 y1

2 +1 y2

On appelle effet global d'un facteur (sous-entendu : sur la réponse) la variation de la réponse
quand le facteur passe du niveau -1 au niveau +1.

On appelle effet moyen d'un facteur (sous-entendu : sur la réponse) la demi-variation de la

réponse quand le facteur passe du niveau -1 au niveau +1. Ainsi, l'effet moyen est défini
comme étant la moitié de l'effet global.

Effet global de X1 : y2 - y1 ; effet moyen de X1 :

y2 - y1
a1 =
2

la réponse théorique au centre du domaine d'expérience est :

 y2 + y1
a0 =
2

qui représente la moyenne des réponses

Remarque : bien que les deux points expérimentaux soient reliés par un segment de droite, il
n'y a pas pour le moment d'hypothèse de "linéarité" faite.
B. Deux facteurs.
Supposons que nous ayons maintenant 2 facteurs X1 et X2 avec chacun deux niveaux (plan
22). Une matrice d'expérience et des réponses est, par exemple :

Exp X1 X2 Réponse : Y rep

1 -1 -1 y1

2 +1 -1 y2

3 -1 +1 y3

4 +1 +1 y4

Calcul des effets.

L'effet moyen de X1 est toujours la demi-variation de la réponse lorsque X1 passe du niveau -

1 au niveau +1. Or, pour chacun des niveaux de X1, il y a 2 expériences (une pour chacun des
niveaux de X2 ). Nous devons alors envisager des réponses moyennes.

Quand X1 est au niveau -1, nous avons la réponse moyenne :

y1 + y3
2

et quand X1 est au niveau +1, nous avons la réponse moyenne :

y2 + y4
2

L'effet global a1 de X1 donne :

y2 + y4 - y1 + y3
2 2
a1 =
4
- y1 + y2 - y3 + y4
a1 =
4

L'effet moyen a2 de X2 se calcule de la même manière.

- y1 - y2 + y3 + y4
a2 =
4

Comme dans le cas à un seul facteur, on calcule a0 ou "réponse théorique" pour X1 = 0 (au
centre de son domaine de variation) comme la moyenne des réponses observées aux niveaux -
1 et +1.

y3 + y4 + y1 + y2
2 2
a0 =
2
y1 + y2 + y3 + y4
a0 =
4

Remarque : Nous aurions obtenu le même résultat en raisonnant à partir de X2.

C. Trois facteurs et plus.

Nous laissons le soin au lecteur le calcul de l'effet moyen d'un facteur dans le cas d'un plan 23
et au delà.

2.2.4 Notion d'interaction

On dit qu'il y a interaction entre deux facteurs si l'effet moyen de l'un n'est pas le même
suivant que l'on se place au niveau bas ou au niveau haut de l'autre. L'interaction entre deux
facteurs X1 et X2 sera, dans la suite, considérée comme un nouveau facteur que l'on notera
X1X2. Exemple : Supposons que la matrice d'expériences et des réponses est :
Exp X1 X2 Rep(Y)

1 -1 -1 60

2 +1 -1 85

3 -1 +1 75

4 +1 +1 90

Au niveau haut de X1, l'effet moyen de X2 est : (90 -85)/2 = 2,5.

Au niveau bas de X1, l'effet moyen de X2 est : (75 - 60)/2 =7,5.

Ces deux nombres étant différents, il y a donc interaction entre les facteurs X1 et X2.

Du point de vue du vocabulaire, une interaction entre deux facteurs sera qualifiée d'interaction
d'ordre 2, une interaction entre trois facteurs sera une interaction d'ordre 3, etc...

Calcul pratique de l'interaction.

Puisque nous considérons l'interaction entre deux facteurs comme un nouveau facteur, l'effet
moyen de l'interaction X1X2 est est la demi variation de l'effet moyen de X2 lorsque X1 passe
du niveau bas au niveau haut. Explicitons cela sur l'exemple suivant : Supposons que la
matrice d'expériences et des réponses est :

Exp X1 X2 Rep(Y)

1 -1 -1 y1

2 +1 -1 y2

3 -1 +1 y3

4 +1 +1 y4

Au niveau haut de X1, l'effet moyen de X2 est :

y4 - y2
2

Au niveau bas de X1, l'effet moyen de X2 est :

 y3 - y1
2

L'effet moyen de l'interaction X1X2 est :

y4 - y2 - y3 - y1
2 2
a12 =
2
y1 - y2 - y3 + y4
a12 =
4

Bien entendu, on obtiendrait le même résultat en considérant au niveau haut de X2, l'effet
moyen de X1, puis au niveau bas de X2, l'effet moyen de X1. Nous invitons le lecteur à faire ce
calcul. Nous verrons plus loin comment calculer les interactions d'ordre 2 et d'ordre 3 dans la
cas de 3 facteurs ou plus.

3.Plan complet sans interaction. Calculs des effets.

La définition de la matrice d'expérience a été donnée au paragraphe 2.2.2.

3.1 Matrice des effets.

Dans ce paragraphe, ce qui est écrit en italique n'est pas nécessaire pour la suite et ne doit pas
être donné aux élèves dans un cours, puisque les élèves de BTS chimie n'ont pas d'algèbre
linéaire à leur programme.

On appelle matrice des effets la matrice X servant au calcul des coefficients dans la
régression linéaire multiple.

Rappelons, ici un résultat mathématique : les estimations des coefficients du modèle sont
données par la matrice  telle que  = ( tXX )-1XY rep où Y rep est la matrice colonne des
réponses expérimentales.

On peut montrer que la meilleure précision sur les coefficients de chacun des facteurs dans la
régression linéaire multiple est obtenue si l'on fait varier les niveaux de tous les facteurs à
chaque expérience et si toutes les expériences concourent à l'estimation de chaque coefficient.
Pour construire un plan d'expérience satisfaisant à ces conditions, les mathématiciens ont
énoncé des critères d'optimalité. Comme on s'intéresse à un modèle polynomiale contenant
un terme constant, et que nous voulons utiliser la régression linéaire multiple pour estimer les
coefficients du modèle, nous avons la définition suivante :

Définition

la matrice X des effets, servant au calcul des coefficients du modèle, s'obtient en ajoutant à
gauche de la matrice d'expérience une colonne ne contenant que des 1.
Fisher et Yates ont montré qu'une matrice orthogonale conduit à l'indépendance des
estimations des coefficients du modèle. Le français Jacques Hadamard (professeur à l'Ecole
Polytechnique, mort en 1963) a démontré que pour obtenir en n expériences une variance
minimale la matrice des effets X doit vérifier la relation :
t
XX = nIn

où In est la matrice identité d'ordre n. La propriété précédente est appelée : critère

d'optimalité au sens d'Hadamard.

Nous allons maintenant envisager un type de plan d'expérience qui nous permettra de
déterminer facilement les effets moyens de chacun des facteurs.

3.2 Plan utilisant l'algorithme de Yates.

On s'intéresse toujours à un plan 2k et à un modèle polynomial du premier degré de la forme :

Y = a0 + a1 X1 + ... + ak Xk

3.2.1 Construction de la matrice d'expérience : algorithme de Yates.

Pour k variables (ou facteurs), la matrice d'expérience comporte k colonnes et 2k lignes. On

alterne les -1 et le +1 toutes les lignes pour la première colonne, toutes les deux lignes pour la
seconde colonne, toutes les quatre lignes pour la troisième, etc. Plus généralement :

 Toutes les colonnes commencent par -1.

 On alterne les -1 et les +1 toutes les 2 j-1 lignes pour la jeme colonne.

Exemple 1 : Matrice d'expérience et des effets d'un plan 22.

Matrice d'expérience :

Exp X1 X2

1 -1 -1

2 +1 -1

3 -1 +1

4 +1 +1

On réalisera donc, dans la pratique 22 = 4 expériences. La colonne de gauche de la matrice

d'expérience indique le numéro de l'expérience (ou de l'essai).

La matrice X des effets correspondante est :

Exemple 2 : Matrice d'expérience et des effets d'un plan 23 .

On réalise cette fois 23 = 8 expériences (ou essais)

Essai X1 X2 X3

1 -1 -1 -1

2 +1 -1 -1

3 -1 +1 -1

4 +1 +1 -1

5 -1 -1 +1

6 +1 -1 +1

7 -1 +1 +1

8 +1 +1 +1

La matrice des effets correspondante est :

 X=

3.2.2 Calcul des coefficients du modèle.

Il est facile de montrer que la matrice X des effets vérifie la relation : tXX = nIn où In est la
matrice identité d'ordre n. La matrice des effets vérifie donc le critère d'optimalité au sens
d'Hadamard. Nous avons alors le résultat très simple suivant :

Ainsi, l'estimation des coefficients du modèle est donnée par :

Cela se traduit par le résultat suivant :

Chaque estimation d'un coefficient du modèle est égal à la somme algébrique des
réponses expérimentales yi affectés des signes de la colonne de la matrice X
correspondant au facteur Xi divisé par le nombre d'expériences.

Ce résultat permet de s'affranchir de tout calcul matriciel et permet d'obtenir les coefficients
du modèle avec une simple calculette ou mieux avec un tableur.

Montrons, par exemple, que pour un plan 22 construit avec l'algorithme de Yates, les
coefficients du modèle sont, en fait, les effets des facteurs. Nous en profiterons pour montrer
la disposition pratique des résultats. Nous faisons apparaître en même temps la matrice
d'expérience et la matrice des effets en ajoutant, dans la matrice d'expérience une colonne à
gauche de la colonne du premier facteur, colonne que nous appellerons "Moyenne" et que
nous remplirons uniquement avec des +1 (rappelons que cette colonne sert à déterminer le
terme constant du modèle).

Exp Moy X1 X2 Y

1 +1 -1 -1 y1

2 +1 +1 -1 y2

3 +1 -1 +1 y3

4 +1 +1 +1 y4

Diviseur 4 4 4

En appliquant le résultat énoncé plus haut, on obtient :

a0 = y1 + y2 + y3 + y4
4
a1 = -y1 + y2 - y3 + y4
4
a2 = - y1 - y2 + y3 + y4
4

On obtient ainsi les coefficients du modèle et l'on peut constater que a1 et a2 sont bien les
effets moyens des facteurs X1 et X2 que nous avions calculés au paragraphe 2.2.3. Le
coefficient a0 est bien la réponse théorique au centre du domaine de variation des facteurs
(tous les facteurs sont alors à 0).

Exemple numérique.

Envisageons un plan 23 construit avec l'algorithme de Yates. Un test d'arrachement lors de

l'utilisation d'une colle met en jeu 3 facteurs : X1 : la température de pressage. X2 : la pression
lors du pressage. X3 : le temps de pressage. Les contraintes de l'expérimentation permettent de
faire varier chacun des trois facteur dans les fourchettes suivantes :

Niveau bas : -1 Niveau haut :+1

 X1 .. ..

X2 .. ..

X3 .. ..

Pour des raisons de confidentialité évidente, les niveaux haut et bas ne sont pas reproduits ici.

La réponse Y étudiée est la tenue de la colle à l'arrachement mesurée à l'aide d'un

dynamomètre électronique. On admet un modèle polynomiale, linéaire par rapport aux
coefficients. On effectue donc un plan d'expérience 23, à l'aide d'une matrice factorielle
utilisant l'algorithme de Yates. Les résultats sont les suivants :

Exp Moy X1 X2 X3 Y exp

1 +1 -1 -1 -1 18,1

2 +1 +1 -1 -1 16,0

3 +1 -1 +1 -1 17,1

4 +1 +1 +1 -1 17,0

5 +1 -1 -1 +1 17,8

6 +1 +1 -1 +1 17,2

7 +1 -1 +1 +1 18,1

8 +1 +1 +1 +1 17,0

Diviseur 8 8 8 8

Effets a0=17,29 a1=-0,49 a2=0,01 a3=0,24

Par exemple :

a0 = 18,1 + 16,0 + 17,1 + 17,0 + 17,8 + 17,2 + 18,1 + 17,0 = 17,29

8
a2 = -18,1 - 16,0 + 17,1 +17,0 - 17,8 - 17,2 + 18,1 + 17,0 = 0,01
 8

Le modèle s'écrit :

Y = 17, 29 - 0, 49X1 + 0, 01X2 + 0, 24X3

sans se préoccuper de la validité du modèle.

On trouvera un autre exemple à l'exercice 1 ou à l'exercice 2.

(estimation ponctuelle des effets principaux).

On considère une réaction chimique dont le rendement dépend de deux facteurs, la
température et la pression. Le technicien décide d'effectuer un plan d'expérience avec le
domaine expérimental suivant :
Niveau bas : -1 Niveau haut :+1
Température : T 60oC 80oC
Pression : P 1 bar 2 bars

La réponse Y étudiée, rendement de l'expérience, est donnée par le tableau suivant :

Exp T P Y (Rend)
1 -1 -1 55
2 +1 -1 65
3 -1 +1 75
4 +1 +1 85

Sachant que l'on adopte un modèle polynômial linéaire par rapport aux coefficients,
déterminer une estimation ponctuelle de chacun des effets principaux du modèle et écrire
l'équation du modèle. Donner une interprétation succinte des résultats quant aux conditions de
réalisation de l'expérience pour aboutir à un meilleur rendement.
Éléments de correction.
Nous obtenons le tableau suivant qui permet d'obtenir les résultats demandés.

Exp Moy T P Y (%)

1 +1 -1 -1 55
2 +1 +1 -1 65
3 +1 -1 +1 75
4 +1 +1 +1 85

Diviseur 4 4 4
 Effets b0=70 b1=5 b2=10

L'estimation ponctuelle de chacun des effet est :

b0 = = 70

b1 = =5

b2 = = 10

Le modèle s'écrit :

Y = 70 + 5T + 10P +

Interprétons succintement ces résultats.

 Lorsque la température passe du niveau -1 au niveau +1, le rendement augmente de 2

× 5 = 10%.
 Lorsque la pression passe du niveau -1 au niveau +1, le rendement augmente de 2 × 10
= 20%.

Ainsi, pour améliorer le rendement de la réaction chimique, il faut la réaliser à forte

température et à forte pression.
(estimation ponctuelle des effets principaux).
Nous donnons ici un deuxième exemple d'estimation ponctuelle des effets principaux.
Le texte d'un exercice que l'on pourrait proposer aux élèves n'a pas été rédigé ici.
On s'intéresse à la formulation d'une suspension concentré d'un pesticide solide.
Dans la fabrication d'un pesticide solide entre en jeu 3 facteurs :
X1: granulométrie de la matière active.
X2 : quantité d'agent tensioactif.
X3 : quantité d'huile.
Les contraintes de fabrication permettent de faire varier chacun des trois facteur dans les
fourchettes suivantes :

Niveau bas : -1 Niveau haut :+1

X1 1micron 10 microns
X2 0,05 g/l 0,2 g/l
 X3 5% 40 %

La réponse Y étudiée est le pourcentage d'attaque du parasite sur la plante test. On admet un
modèle polynômiale, linéaire par rapport aux coefficients. On effectue donc un plan
d'expérience 23, à l'aide d'une matrice factorielle utilisant l'algorithme de Yates. Les résultats
sont les suivants :

Exp Moy X1 X2 X3 Y (%)

1 +1 -1 -1 -1 6,75
2 +1 +1 -1 -1 52,5
3 +1 -1 +1 -1 2,5
4 +1 +1 +1 -1 15,5
5 +1 -1 -1 +1 3,75
6 +1 +1 -1 +1 67,5
7 +1 -1 +1 +1 2,5
8 +1 +1 +1 +1 38,75
Diviseur 8 8 8 8
Effets b0=23,72 b1=19,84 b2=-8,91 b3=4,41

Par exemple :

b0 = = 23, 72

b2 = = -8, 91

Le modèle s'écrit :

Y=23,72 + 19,84 X1 - 8,91X2 +4,41X3 +

Interprétons ces résultats. Puisque Y représente le pourcentage de feuilles atteintes par le

parasite, on cherche à minimiser Y. C'est la granulométrie de la matière active (X1) qui a
l'effet le plus important suivi de la quantité d'agent mouillant (X2), alors que la quantité
d'huile (X3) n'a relativement que peu d'effet.

 Interprétation de b1. Lorque X1 passe du niveau -1 au niveau +1, le pourcentage de

feuilles attaquées augmente de 2 × 19, 84 = 39, 7%. Pour minimiser Y il faut donc
prendre X1 = -1, c'est-à-dire qu'il faut utiliser une granulométrie de 1 micron.
 Interprétation de b2. Lorque X2 passe du niveau -1 au niveau +1, le pourcentage de
feuilles attaquées diminue de 2 × 8, 91 = 17, 8%. Pour minimiser Y il faut donc
prendre X2 = +1, c'est-à-dire qu'il faut utiliser un agent mouillant à 0,2 g/l.
 Interprétation de b3. Si l'on estime que b3 est significatif, il vaut mieux utiliser la
quantité minimale d'huile, à savoir 5 %.
 (estimation ponctuelle des effets principaux et des interactions).
Reprendre les données de l'exemple précédent sur le pesticide solide et déterminer une
estimation ponctuelle des effets principaux et des interactions.
Ecrire alors l'équation du modèle complet.

Éléments de correction.
Comme nous avons trois variables, il y a trois interactions d'ordre 2 et une interaction
d'ordre 3. Dans la matrice qui a servi à calculer les effets principaux, nous devons
ajouter 4 colonnes pour les interactions. Chacune de ces 4 colonnes étant construite
par utilisation de la << règle des signes>>. Ainsi, par exemple, pour avoir l'estimation
ponctuelle de l'interaction X2X3 on multiplie << ligne à ligne>>la colonne des signes
de X2 et celle de X1. Nous obtenons les résultats suivants :

Ex Mo X1 X2 X3 12 23 13 123 Y (%)
1 +1 -1 -1 -1 +1 +1 +1 -1 6,75
2 +1 +1 -1 -1 -1 +1 -1 +1 52,5
3 +1 -1 +1 -1 -1 -1 +1 +1 2,5
4 +1 +1 +1 -1 +1 -1 -1 -1 15,5
5 +1 -1 -1 +1 +1 -1 -1 +1 3,75
6 +1 +1 -1 +1 -1 -1 +1 -1 67,5
7 +1 -1 +1 +1 -1 +1 -1 -1 2,5
8 +1 +1 +1 +1 +1 +1 +1 +1 38,75
Div 8 8 8 8 8 8 8 8
coef 23,72 19,84 -8,91 4,41 -7,53 1,41 5,16 0,66

 Au niveau des calculs, on obtient par exemple :

b23 =

= 1, 41
b123 =

Le modèle complet, avec les effets principaux et les interactions s'écrit :

Y = 23,72+19,84X1-8,91X2+4,41X3-7,53X1X2+1,41X2X3
+5,16X1X3+0,66X1X2X3

 Remarques importantes.
Remarque 1.
C'est l'interaction X1X2 qui est la plus importante suivie de X1X3 alors que les
interactions X2X3 et surtout X1X2X3 peuvent être considérées comme négligeables.
Remarque 2.
 Avec le modèle complet nous avons estimé 8 coefficients (p=8) à l'aide de 8
expériences (n=8). Il n'est pas possible dans ce cas d'estimer la variance 2 de la
variable aléatoire , donc il n'est pas possible de donner un intervalle de confiance
pour les coefficients du modèle.
 (écart-type expérimental connu, intervalle de confiance).
Supposons que l'on veuille réaliser un plan d'expérience avec trois facteurs ayant deux
niveaux chacun. On contruit un plan d'expérience 23 selon l'algorithme de Yates
classique. Les réponses pour les 8 expériences sont, dans l'ordre :

38, 36, 25, 24, 31, 27, 18, 15

 Par ailleurs, compte tenu de nombreuses expériences faites antérieurement, on admet

que l'écart-type expérimental est donné par : = 0, 7. On ne s'interesse qu'aux effets
principaux. 1) Donner dans ce cas l'equation du modèle. 2) En déduire, au risque de 5
%, un intervalle de confiance des effets principaux ( On suppose que la variable

aléatoire représentant l'estimateur d'un effet suit une loi normale d'écart-type .
Éléments de correction
1) Les résultats sont les suivants :

Exp Moy X1 X2 X3 Y (%)

1 +1 -1 -1 -1 38
2 +1 +1 -1 -1 36
3 +1 -1 +1 -1 25
4 +1 +1 +1 -1 24
5 +1 -1 -1 +1 31
6 +1 +1 -1 +1 27
7 +1 -1 +1 +1 18
8 +1 +1 +1 +1 15

Diviseur 8 8 8 8
Effets b0=26,75 b1=-1,25 b2=-6,25 b3=-4,00

 Le modèle s'écrit : Y = 26, 75 - 1, 25A - 6, 25B - 4, 00C +

 2) Si on note i la valeur théorique de l'effet, la variable aléatoire i, estimateur de

permet de calculer un intervalle de confiance au risque de 5 %.
i
Nous obtenons :
 Finalement, au risque de 5 %:
Effet principal de A : -1,25
intervalle de confiance : .
Effet principal de B : -6,25
intervalle de confiance : .
Effet principal de C : -4,00
intervalle de confiance : .
 (estimation de l'écart-type expérimental , intervalle de
confiance).
Lors de l'étude de la formulation de matériaux, on sélectionne ceux-ci d'après leurs
propriétés physiques. On a retenu trois facteurs pour cette étude et le domaine
expérimental est le suivant :

Niveau bas : -1 Niveau haut :+1

A : Taux de durcisseur (excès) 10 % 30 %
B : Taux de fibres textiles 0% 10 %
C : Taux de charge 5% 15 %

 La réponse étudiée est le module d'élasticité E' à 0o (la réponse est multipliée par 100).
On envisage un plan factoriel complet 23 construit selon l' algorithme de Yates
classique. Les réponses pour les 8 expériences sont, dans l'ordre : 1,26 - 1,35 - 4,46 -
3,38 - 2,29 - 1,23 - 5,11 - 5,12
1) Donner l'expression du modèle complet en faisant apparaître la matrice
d'expérience.
2) Compte tenu des résultats obtenus, on décide de négliger les interactions AB et AC.
a) Ecrire l'équation du modèle dans ce cas la et calculer les 8 valeurs prédites par ce
nouveau modèle.
b) En déduire une estimation de l'écart-type de la variable aléatoire intervenant
dans la modèle.
3) Donner, au risque de 5 %, l'intervalle de confiance de chacun des effets principaux.
 Éléments de correction.
1)

Ex Mo A B C AB AC BC ABC E'
1 +1 -1 -1 -1 +1 +1 +1 -1 1,26
2 +1 +1 -1 -1 -1 -1 +1 +1 1,35
3 +1 -1 +1 -1 -1 +1 -1 +1 4,46
4 +1 +1 +1 -1 +1 -1 -1 -1 3,88
5 +1 -1 -1 +1 +1 -1 -1 +1 2,29
6 +1 +1 -1 +1 -1 +1 -1 -1 1,23
7 +1 -1 +1 +1 -1 -1 +1 -1 5,11
8 +1 +1 +1 +1 +1 +1 +1 +1 5,12
 Div 8 8 8 8 8 8 8 8
effet 3,09 -0,19 1,56 0,35 0,05 -0,07 0,12 0,22

 Le modèle complet, avec les effets principaux et les interactions s'écrit :
E' = 3,09 - 0,19 A + 1,56 B + 0,35 C + 0,05 AB - 0,07 AC
+ 0,12 BC + 0,22 ABC +

Rappelons qu'avec le modèle complet il n'est pas possible d'avoir une estimation de
.
2)
a) En négligeant les interactions AB et AC, on obtient le modèle :
E' = 3,09 - 0,19 A + 1,56 B + 0,35 C + 0,12 BC + 0,22 ABC+

b) Estimation de .
Tableau de calcul :

E'
E' - (E' - )2
1,26 1,28 -0,58 0,0004
1,35 1,33 0,52 0,0004
4,46 4,58 0,58 0,0144
3,88 3,76 -0,52 0,0144
2,29 2,17 0,58 0,0144
1,23 1,35 -0,52 0,0144
5,11 5,09 -0,58 0,0004
5,12 5,14 0,52 0,0004
somme 0,0592


A l'aide du tableau précédent, nous pouvons déterminer une estimation de grace à
la formule :

 = (E' - )2
 puisque nous avons estimer 6 paramètres avec 8 expériences. On obtient :

2
 = = 0, 0296

donc, nous prendrons :
 = 0, 17


3) Soit i la valeur théorique d'un effet principal, les hypothèses sur la variable
 aléatoire i, estimateur de i, permettent de calculer un intervalle de confiance. Les

statisticiens démontrent alors que la variable aléatoire suit une loi de

Student à = (n - p) degré de liberté (DDL). Cette loi est tabulée. L'intervalle de
confiance, au risque , pour degréde liberté est donné par :



Au risque de 5 % et pour = 2, on lit dans la table t0,05,2 = 4, 3. L'intervalle de
confiance de l'effet princupal bi est donc :


 Effet pricipal de A : -0,19
intervalle de confiance :
Effet pricipal de B : 1,56
intervalle de confiance :
Effet pricipal de C : 0,35
intervalle de confiance :
 4.Plan complet avec interactions. Calcul et graphique des effets.
 Si l'on désire étudier non seulement les effets des facteurs mais encore les interactions
possibles entre les facteurs, la construction de la matrice d'expérience reste la même
que celle donné au paragraphe précédent. C'est la matrice des effets qui doit être
modifiée comme suit :
 Pour calculer l'effet d'une interaction entre deux variables Xi et Xj on ajoute à la
matrice des effets une colonne, que l'on baptise XiXj, et que l'on obtient en faisant
le produit "ligne à ligne" des colonnes des variables Xi et Xj
 ( cette "recette" vient en réalité du traitement mathématique de la régression multiple
avec un modèle linéaire complet )
 Le calcul des coefficients du modèle se fait toujours à l'aide de la règle énoncée au
paragraphe 3.2.2.
 Exemple numérique :
 Envisageons un plan 22 complet construit avec l'algorithme de Yates. On considère
une réaction chimique dont le rendement dépend de deux facteurs, la température et la
pression. Le technicien décide d'effectuer un plan d'expérience avec le domaine
expérimental suivant :

Niveau bas : -1 Niveau haut :+1

Température : T 60oC 80oC
Pression : P 1 bar 2 bars
 La réponse Y étudiée, rendement de l'expérience, est donnée par le tableau suivant :

Exp T P Y (Rend)
1 -1 -1 60
2 +1 -1 65
3 -1 +1 75
4 +1 +1 85

 Déterminons une estimation ponctuelle de chacun des coefficients du modèle. Nous

obtenons le tableau suivant qui permet d'obtenir les résultats demandés.

Exp Moy T P TP Y (%)

1 +1 -1 -1 +1 60
2 +1 +1 -1 -1 65
3 +1 -1 +1 -1 75
4 +1 +1 +1 +1 85

Diviseur 4 4 4 4
Effets a0=71,25 a1=3,75 a2=8,75 a12=1,25

 La colonne TP est bien le produit ligne à ligne des colonnes T et P.

 L'estimation ponctuelle de chacun des effet est :

+60 + 65 + 75 + 85
a0 = = 71,25
2
-60 + 65 - 75 + 85
a1 = = 3,75
2
-60 - 65 + 75 + 85
a2 = = 8, 75
2
+60 - 65 - 75 + 85
a12 = = 1,25
2

 le modèle s'écrit :

Y = 71, 25 + 3, 75T + 8, 75P + 1, 25PT

 sans se préoccuper de la validité du modèle.

 La représentation graphique des effets se fait simplement à partir du tableau des
réponses moyennes aux différents niveaux des facteurs.

T P
Niveau - 1 60 + 75 60 + 65
= 67,5 = 62,5
2 2

Niveau + 1 60 + 85 75 + 85
= 75 = 80
2 2


 On constate que les deux segments de droite ne sont pas parallèles donc que
l'interaction n'est pas, à priori, négligeable.
 5. Calculs statistiques et interprétation des résultats.
 5.1 Test de signification des effets du modèle.
 On appelle effets les coefficients des facteurs et ceux des interactions dans l'écriture
du modèle.
 Les calculs statistiques qui permettent de savoir si les effets sont significatifs, de
calculer les intervalles de confiance ou de valider la linéarité du modèle font intervenir
d'une part les résidus ei , c'est-à-dire la différence entre la valeur expérimentale et la
valeur prédite par le modèle et, d'autre part un estimateur sans biais de la variance
commune des résidus. Cet estimateur est donné par :

s² = 1
 e² i
 n-p

 où n est le nombre d'expériences réalisées et p le nombre de coefficients du

modèle. Dans ces conditions, on peut montrer que tous les effets ont la même variance
donnée par :

s²
si ² =
n

 où n est le nombre d'expériences réalisées. Cela apporte une grande simplification au

niveau des calculs.
 ATTENTION
 Si l'on réalise un plan complet et que l'on calcule tous les effets, le calcul de s2 est
impossible puisque alors n = p (un plan complet 23 conduit à 8 expériences et 8
effets : 3 effets pour les facteurs, 3 effets pour les interactions d'ordre 2 et enfin 1
effet pour l'interaction d'ordre 3). C'est pour cela que, dans la pratique, il est
d'usage de négliger les interaction d'ordre élevé (3 ou plus). C'est souvent le
contexte et la connaissance de lois régissant le phénomène étudié qui permet de
négliger certaines interactions et donc de pouvoir conduire des calculs
statistiques.
 Si néanmoins on veut travailler avec tous les effets, une méthode efficace pour
déterminer s2 est la méthode dite des << mesures au centre>>. On effectue alors
plusieurs mesures au centre du domaine (tous les facteurs sont réglés à 0) et on
détermine s2 à partir des résultats sur ces << points au centre>>.
 5.1.1 Réalisation du test de signification des effets.
 Le test utilisé est le test << t>> de Student. Un effet sera dit significatif (c'est-à-dire
que la variable ou l'interaction qui lui est associée a une influence sur la réponse), s'il
est, pour un risque donné, significativement différent de 0. On testera donc l'hypothèse
:
 H0 = << ai = 0>>
 contrer l'hypothèse :
 H1 = << ai /= 0>>
 Pour cela, on calcule :

|ai|
ti =
si

 On utilise alors une table de Student à  = n - p degrés de liberté (n est le nombre

d'expériences réalisées et p le nombre d'effets y compris la constante).On choisit un
risque de première espèce  (le plus souvent 5% ou 1%) et on lit dans cette table de
Student la valeur tit(,), en utilisant la partie de la table relative à un test bilatéral.
La règle du test est alors la suivante :
  Si ti > tcrit(), on rejette H0 au risque accepté.
  Si ti < tcrit(), on accepte H0 au risque accepté.
 Si l'hypothèse H0 est acceptée, cela veut dire que l'effet en question n'est pas, au risque
 significativement différent de 0 et donc que la variable qui lui est associée n'a pas
d'influence sur la réponse.
 5.1.2 Exemple.
 On considère une réaction chimique dont le rendement dépend de deux facteurs, la
température et la pression. Le technicien décide d'effectuer un plan d'expérience avec
le domaine expérimental suivant :

Niveau bas : -1 Niveau haut :+1

Température : T 60oC 80oC
Pression : P 1 bar 2 bars

 La réponse Y étudiée, rendement de l'expérience, est donnée par le tableau suivant :

Exp T P Y (Rend)
1 -1 -1 60
2 +1 -1 65
3 -1 +1 75
4 +1 +1 85

 Déterminons une estimation ponctuelle des effets de chacune des variables.

Exp Moy T P Y (%)

1 +1 -1 -1 60
2 +1 +1 -1 65
3 +1 -1 +1 75
4 +1 +1 +1 85

Diviseur 4 4 4
Effets a0 = 71,25 a1 = 3,75 a2 = 8,75

 le modèle s'écrit :

Y = 71, 25 + 3, 75T + 8, 75P

 Test de signification des coefficients :

Exp Moy T P Y (%) Yest ei ei2

1 +1 -1 -1 60 58,75 1,25 1,5625
2 +1 +1 -1 65 66,25 -1,25 1,5625
 3 +1 -1 +1 75 76,25 -1,25 1,5625
4 +1 +1 +1 85 83,75 1,25 1,5625

 On cherche à tester la non influence d'une variable sur la réponse. On choisit un risque
de 5 %.
 La variance des résidus est :

 e ² = 6,25
1
s² = i
4-3

 La variance commune des estimateurs des coefficients du modèle est :

s² 6,25
si ² = = = 1,5625
n 2

 La statistique << t>> de Student associé vaut :

|ai|
ti =
si


 La table de Student donne, pour un risque de 5 % avec  = n - p = 4-3 = 1 :
 tcrit(0,05 ; 1) = 12,71
 Pour l'effet a1 = 3, 75 de T on a t1 = 3 < 12,71. On accepte H0 au risque de 5 % et
l'effet de la température T n'est pas significatif.
 Pour l'effet a2 = 8, 75 de P on a t2 = 7 < 12,71. On accepte H0 au risque de 5 % et
l'effet de la pression P n'est pas significatif.
 On peut donc considérer que les coefficients a1 et a2 ne sont pas significativement
différent de 0 ; leur valeur est probablement due à un << bruit>>.
 La conclusion de cette étude est que l'on doit rejeter un modèle linéaire pour expliquer
le rendement de cette réaction chimique. Il faudrait refaire une étude avec un modèle
polynomial du second degré, ce qui sort du cadre de ce cours.
 5.2 Intervalle de confiance des effets du modèle.
 5.2.1 Variance expérimentale connue.
 On suppose que compte tenu de nombreuses expériences faites antérieurement on
connaît l'écart-type expérimental s. Dans ce cas l'intervalle de confiance d'un effet est
donné, par :
 risque 5% : [ai -1,96si ; ai + 1,96si]
 risque 1% : [ai -2,58si ; ai + 2,58si]
 où si² est la variance commune des estimateurs des coefficients.
 un exemple est donné à l'exercice 4.
 5.2.2 Variance expérimentale inconnue.
 Le cas où la variance expérimentale est inconnue est le plus courant.
 Rappelons que si l'on détermine tous les effets, on ne pas calculer la variance
commune des résidus ( voir paragraphe 5.1 ). On supposera donc, dans la suite, que
l'on a négliger au moins un effet.
 On calcule alors s², variance commune des résidus avec  = n- p degrés de liberté puis
on en déduit

s²
si ² =
n

 variance commune des effets. On choisit alors un risque et on détermine avec table
de Student le nombre t(). L'intervalle de confiance d'un effet ai est alors donné par
:
 [ai - t()si ; ai + t()si]
 Exemple.
 Considérons le plan d'expérience 23suivant dans lequel on néglige l'interaction d'ordre
3.

X1 X2 X3 X1X2 X1X3 X2X3 Y

-1 -1 -1 +1 +1 +1 5,2
+1 -1 -1 -1 -1 -1 4,7
-1 +1 -1 -1 +1 +1 5,1
+1 +1 -1 +1 -1 -1 5,5
-1 -1 +1 +1 -1 -1 4,9
+1 -1 +1 -1 +1 -1 4,6
-1 +1 +1 -1 -1 +1 4,8
+1 +1 +1 +1 +1 +1 5,3

 Le calcul des effets se faisant comme il a été dit plus haut, on obtient le modèle :
 Y = 5,0125 + 0,0125X1 + 0,1625X2 - 0,1125X3 +0,2125X1X2 + 0,0375X1X3 -
0,0125X2X3
 Avant de déterminer les intervalles de confiance des effets, regardons leur
significativité. Pour cela, déterminons les résidus et la variance commune de ceux-ci.

Yi observés Yi estimés ei e²i

5,2 5,1875 + 0,0125 0,000156
4,7 4,7125 - 0,0125 0,000156
5,1 5,1125 - 0,0125 0,000156
5,5 5,4875 + 0,0125 0,000156
4,9 4,9125 - 0,0125 0,000156
4,6 4,5875 + 0,0125 0,000156
4,8 4,7875 + 0,0125 0,000156
5,3 5,3125 - 0,0125 0,000156
 La variance commune des résidus est donc :


8*0,000156
s² = =0,00125
8-7

 donc s = 0,035. La variance commune de tous les effets est alors

s²
si ² = =0,000156
8

 le "t" de Student pour chaque effet se calcul avec

|ai|
ti =
si

 Par exemple, pour le coefficient de la variable X1 on obtient



0,1625
t1 = =13
0,0125

 La table de Student donne pour un risque et  = n - p = 8 - 7 =1 , tcrit(0,05 ; 1)

= 12,71.
 Un effet sera donc significatif au risque de 5% s'il son "ti" et supérieur à 12,71. On
obtient le tableau suivant.

Variable effet t Résultat

Constante 5,0125 t0 = 401>12,71 significatif
X1 a1 = 0,125 t1 = 1<12,71 non significatif
X2 a2 = 0,1625 t2 = 13>12,71 significatif
X3 a3 = - 0,1125 t3 = 9<12,71 non significatif
X1X2 a12 = 0,2125 t12 = 17>12,71 significatif
X1X3 a13 = 0,0375 t13 = 3<12,71 non significatif
X2X3 a23 = - 0,0125 t23 = 1<12,71 non significatif

 Ce tableau montre que seul la variable X2 et l'interaction X1X2 sont significatives. Il

faudrait donc retenir un modèle de la forme :
 Y = 5,0125 + 0,1625 X2 +0,2125 X1X2
 Nous déterminerons un intervalle de confiance, au risque de 5%, pour les coefficients
a2 et a12. Rappelons que cette intervalle se calcule avec :
 [ai - t()si ; ai + t()si] = [ai - 12,71*0,0125 ; ai + 12,71*0,0125]

coefficient k Borne inférieure estimateur de k Borne supérieure

 2 0,0036 a2 = 0,1625 0,3214
12 0,0536 a12 = 0,2125 0,3714

 Remarque importante.
 Cherchons l'intervalle de confiance d'un effet non significatif, par exemple a1. On
obtient :
 [0,125-12,71*0,0125 ; 1,125+12,71*0,0125] = [-0,1469 ; 0,1717]
 On constate que 0 est dans cet intervalle de confiance, ce qui montre bien que le
coefficient n'est pas significativement différent de 0 au risque de 5%.
 5.3 Analyse de la variance. Validation du modèle linéaire.
 L'analyse de la variance consiste à comparer à l'aide d'un test F la somme des carrés
des écarts due uniquement à la régression (donc au modèle), avec la somme des carrés
des résidus.
 Précisons ces notions en introduisant un vocabulaire spécifique à l'analyse de variance.
 On notera par la suite Yi les réponses observées lors de la réalisation des expériences
et Yiest la réponse estimée à l'aide du modèle linéaire. On notera, de même, Ymoy la
moyenne des réponses.
 On définit alors trois types de "variations"
 1- La variation due à la liaison linéaire :

SCEL = (Y i
est
- Ymoy )²

 SCEL se lit : "somme des carrés des écarts dues à la liaison".

 2- La variation résiduelle :

SCER = (Y -Y i i
est
)²

 SCER se lit : "somme des carrés des écarts des résidus".

 3- La variation totale :
 STCE = SCEL + SCER
 STCE se lit : " somme totale des carrés des écarts".
 On définit de plus un "carré moyen" qui est le quotient d'une somme de carrés par son
degré de liberté.
 SCEL aura (p- 1) degrés de liberté (p est le nombre de coefficients estimé à partir du
modèle).
 SCER aura (n - p) degrés de libertés ( n est le nombre d'expériences réalisées).
 SCET aura (n - 1) degrés de liberté.
 En outre, on note CML le carré moyen associé à SCEL, et CMR le carré moyen
associé à SCER.
 Le tableau de l'analyse de variance se présente alors de la façon suivante :

Variation due à Somme des carrés DDL Carré moyen F

SCEL CML
Liaison SCEL p-1 = CML Fobs =
p-1 s²
 Résidus SCER n-p SCEE
= s²
n-p
Totale SCET n-1

 Le test F permet alors de comparer pour un risque fixé à l'avance le Fobs que l'on a
calculé dans le tableau précédent avec un F(critique) lu dans la table de Fisher-
Snedecor avec (p-1) et (n - p) degrés de liberté.
 Le test est la suivant :
 hypothèse H0 : " les deux carrés moyens sont de même grandeur" et donc la régression
n'est pas significative
 hypothèse H1 : " le carré moyen dû à la régression est significativement plus grand
que le carré moyen dû aux résidus" donc la régression est globalement significative
 La règle du test est alors pour un risque  choisi:
 Si Fobs est inférieure au F(critique), on accepte l'hypothèse H0 .
 Si Fobs est supérieur au F(critique), on accepte l'hypothèse H1 avec la confiance 1- .
 Reprenons l'exemple du paragraphe 5.2.2 en considérant tous les effets, ceux des
variables et ceux des interactions d'ordre 2. On obtient le tableau d'analyse de variance
suivant :


Variation due à Somme des carrés DDL Carré moyen F

SCEL CML
Liaison SCEL 7-1 = 0,1146 = CML Fobs = = 91,6667
7-1 s²

Résidus SCER 8-7 SCEE

= s² = 0,0012
8-7
Totale SCET 8-1 0.0984

 La table de Fischer-Snédecor donne pour 1 = 6 et 2 = 1, F(crit) = 234, pour un risque

de 5%. On a : (Fobs = 91,667) < (Fcrit = 234) donc on rejette l'hypothèse de linéarité du
modèle. Celà est bien en accord avec le fait que certains coefficients ne sont pas
significatifs.
 En revanche, effectuons une nouvelle analyse de variance avec un modèle linéaire ne
contenant que les coefficients significatifs, a2 et a12. Le nouveau tableau d'analyse de
variance est alors :
 on a cette fois n = 8, mais p = 3 (3coefficients estimés).

Variation due à Somme des carrés DDL Carré moyen F

SCEL CML
Liaison SCEL 3-1 = 0,2863 = CML Fobs = = 12,3118
7-1 s²

Résidus SCER 8-3 SCEE = s² = 0,0232

 8-7
Totale SCET 8-1 0.0984

 La table de Fischer-Snédecor donne pour 1 = 2 et 2 = 5, F(crit) = 5,79, pour un

risque de 5%. On a : (Fobs = 12,3118) > (Fcrit = 5,79) donc on accepte l'hypothèse H1
de linéarité du modèle. Cela est bien en accord avec le fait que tous les coefficients
sont significatifs.
 5.4 Utilisation de "points au centre".
 Si l'on ne néglige aucune interaction, il n'est pas passible de faire de calculs
statistiques puisque l'on a "consommer" tous les degrés de liberté (division par 0).
<dans ce cas, on accompagne les n essais du plan d'expérience par un certain nombre
d'essais au centre du domaine expérimental. Ces essais servent à calculer un écart-type
appelé écart-type expérimental. Tous les calculs réalisés plus haut se font alors avec
l'écart-type expérimental au lieu et place de l'écart-type résiduel.

6. Plans fractionnaires

6.1 Introduction

Lors de la réalisation d'un plan d'expérience à deux niveaux, le nombre d'expériences à

réaliser augmente d'une manière significative avec le nombre de variables prises en compte.
Pour k variables, le plan comporte 2k expériences à réaliser. Un plan 25 nécessite 32
expérimentations. Or dans de nombreux domaines les interactions d'ordre élevé sont souvent
considérées comme négligeables. Trop d'expériences sont donc réalisées d'où l'idée de
diminuer la taille des plans et donc d'utiliser pour l'étude de k facteurs des matrices
d'expériences issues de plan 2k-1, 2k-2, , 2k-p.

6.2 Loi de composition interne dans l'ensemble des colonnes des matrices d'expériences

Nous avons déjà vu au chapitre précédent que les colonnes des interactions de plusieurs
variables se fabriquaient par produit ligne à ligne de ces colonnes. Nous allons développer
cette notion en remarquant que la matrice des effets, pour un plan d'expériences, a des
colonnes qui ne sont constituées que de +1 et de -1. Soit E le sous ensemble de IRn composé
de vecteurs dont les composantes dans la base canonique ne sont que des +1 ou des -1.
L'égalité des vecteurs de IRn induit l'égalité des vecteurs de E. On définit une multiplication
dans E de la manière suivante. Le produit de deux vecteurs de E est un vecteur de E dont les
composantes dans la base canonique sont les produit des composantes de même rang.

Exemple Dans IR4, s i A = et B = alors AB =

Cette multiplication est commutative, associative, elle possède un élément neutre, qui est le
vecteur n'ayant que des +1 comme composantes et enfin, pour tout vecteur A de E on a : AA
= I.

6.3 Plan fractionnaire 23-1 pour étudier trois facteurs. Notion d'Aliase

Nous savons qu'un plan complet pour étudier trois facteurs est un plan 23 nécessitant 8
expériences. Nous désirons n'en réaliser que quatre et donc pour cela nous ne pouvons utiliser
qu'une matrice d'expériences d'un plan 22. La matrice des effets d'un tel plan est :

Exp I = Moy A B AB
1 +1 -1 -1 +1
2 +1 +1 -1 -1
3 +1 -1 +1 -1
4 +1 +1 -1 +1

Comme nous devons placer le troisième facteur C, nous le plaçons dans la colonne de
l'interaction AB. Ainsi, la matrice d'expérience du plan fractionné sera :

Exp A B C
1 -1 -1 +1
2 +1 -1 -1
3 -1 +1 -1
4 +1 -1 +1

C'est cette matrice qui servira, une fois les quatre expériences réalisées, à calculer les effets de
A, B, C et de leurs interactions éventuelles. Le plan réalisé avec la matrice précédente est
appelé plan fractionnaire 23-1.

Du point de vue du vocabulaire, le fait de poser C = AB se traduit en disant que l'on a

aliasé le facteur C avec l'interaction AB. Il est naturel, à ce stade de notre étude de se
demander si les effets de A, B et C calculés avec ce plan fractionnaires sont les mêmes que
celles que l'on aurait obtenues avec un plan complet. Nous allons voir qu'il n'en est rien.

Compte tenu des résultats du paragraphe précédent nous avons :

C = AB donc CC = I = CAB

I = CAB donc AI = ACAB = C(AA)B = CIB d'où A = CB

I = CAB donc BI = BCAB =CA(BB) = CAI d'où B = CA

Ainsi, non seulement le facteur C est aliasé avec l'interaction AB mais le facteur A est aliasé
avec l'interaction CB et le facteur B est aliasé avec l'interaction CA. Autrement dit les effets
obtenus avec le plan fractionnaire ne sont pas des effets purs. Avant de préciser cette notion,
constatons que l'égalité I = CAB nous a fourni tous les aliases, on dit que I = CAB est un
générateur d'aliase.

Précisons maintenant le fait que la notion d'aliase ne nous donne pas des effets purs.
Supposons que nous ayons réalisé d'une part le plan fractionnaire 23-1 dont il vient d'être
question mais aussi le plan complet 23 correspondant. Nous aurions successivement les
matrices des effets suivantes.

Plan fractionnaire 23-1.

Exp I A B C Yexp
ABC CB CA AB
1 +1 -1 -1 +1 y1
2 +1 +1 -1 -1 y2
3 +1 -1 +1 -1 y3
4 +1 +1 -1 +1 y4
effets a0 a1 a2 a3

Plan complet 23.

Exp I A B C AB AC BC ABC Yexp

1 +1 -1 -1 -1 +1 +1 +1 -1 a
2 +1 +1 -1 -1 -1 -1 +1 +1 y2
3 +1 -1 +1 -1 -1 +1 -1 +1 y3
4 +1 +1 +1 -1 +1 -1 -1 +1 b
5 +1 -1 -1 +1 +1 -1 -1 +1 y1
6 +1 +1 -1 +1 -1 +1 -1 -1 c
7 +1 -1 +1 +1 -1 -1 +1 -1 d
8 +1 +1 +1 +1 +1 +1 +1 +1 y4
effets a'0 a'1 a'2 a'3 a'12 a'13 a'23 a'123

Remarquons que les lignes de la matrice d'expériences du plan fractionné 23-1 sont, dans
l'ordre, les lignes 5,2,3,8 de la matrice d'expériences du plan complet 23. Calculons le
coefficient a1 du plan fractionné 23-1 (effet de A aliasé à l'interaction CB) :

-y1+y2-y3+y4
a1 =
4

Calculons les effets de A (soit a'1), puis l'effet de l'interaction CB (soit a'23) pour le plan
complet 23.

-a+y2-y3+b-y1+c-d+y4
a'1 =
4
 a+y2-y3-b-y1-c+d+y4
a'23 =
4

Nous constatons que : a1 = a' 1 + a' 23 ceci montre bien que l'effet a'1, obtenu avec le plan
fractionnaire n'est pas un effet pur. On montrerait de la même manière que :

a2 = a' 2 + a' 13 et a3 = a' 3 + a' 12

En l'absence de toute hypothèse supplémentaire sur les effets, un plan fractionnaire est
inexploitable, puisque les effets obtenus ne sont pas purs. Pour une interprétation correcte, il
faut avoir une connaissance approfondie du phénomène étudié. Nous allons voir dans le
paragraphe suivant, que pour obtenir les effets principaux de 4 facteurs il est possible de ne
faire que 8 expériences au lieu de 16 nécessaires pour un plan complet 24.

6.4 Plan fractionnaire 24-1

La matrice d'expérience d'un plan 23 comporte 3 colonnes dans lesquelles nous plaçons les
trois premières variables A, B, C. Pour placer la quatrième variable D, nous décidons de
l'aliaser avec l'interaction d'ordre la plus élevé du plan 23, c'est à dire l'interaction ABC. Nous
obtenons l'aliase

D = ABC qui nous permet de déterminer le générateur d'aliase : I = DABC. En effet :

D = ABC I = DABC

nous avons alors : I = DABC

Nous constatons que si, comme il est d'usage, on néglige les interactions d'ordre 3, on obtient
bien les effets principaux.

Montrons sur un exemple, comment on peut, en outre, interpréter les interactions d'ordre 2.
Exemple

On veut étudier l'influence de 4 facteurs sur la pureté d'un précipité. Les variables retenues et
leurs niveaux sont donnés dans le tableau suivant :

Variable Niveau -1 Niveau +1

A : quantité de base utilisé normale en excès
B : vitesse d'addition de la base lente rapide
 C : température de la filtration à chaud à froid
D : lavage du précipité normal prolongé

La matrice des effets est la suivante, la réponse Y représentant la pureté diminuée de 90 :

Moy A B C ABC AB AC BC Y
DBC DAC DAB D DC DB AD
+1 -1 -1 -1 -1 +1 +1 +1 3, 1
+1 +1 -1 -1 +1 -1 -1 +1 4, 1
+1 -1 +1 -1 +1 -1 +1 -1 2, 2
+1 +1 +1 -1 -1 +1 -1 -1 1, 3
+1 -1 -1 +1 +1 +1 +1 -1 4, 0
+1 +1 -1 +1 -1 -1 -1 -1 4, 1
+1 -1 +1 +1 -1 -1 -1 +1 -0, 1
+1 +1 +1 +1 +1 +1 +1 +1 0, 6

Les résultats sur les effets sont les suivants :

Cst A B C ABC AB AC BC
DBC DAC DAB D DC DB AD
2, 41 0, 11 -1, 41 -0, 26 0, 31 -0, 16 0, 09 -0, 49

En négligeant les interactions d'ordre 3, nous retiendrons : effet de A = 0, 11 ; effet de B = -1,

41 ; effet de C = -0, 26 et effet de D = 0, 31.

Pour pouvoir effectuer des tests statistiques, le plan d'expérience a été suivi de deux
expériences au centre du domaine expérimental. Les résultats obtenus sont les suivants :

y01 = 2, 2 et y02 = 2, 1

La moyenne des réponses au centre est donc

2,2+2,1
0 = = 2,15
2

La variance expérimentale est alors déterminée avec un degré de liberté par :

(2,2-2,15)²+(2,1-2,15)²
s0 2 = = 0,05
2-1

ce qui conduit à l'écart-type expérimental s0 = 0, 07 .

L'écart-type de l'estimateur d'un coefficient du modèle est donné alors par :

 s0 0,007
si = = 0,025

Nous savons qu'au risque , un coefficient sera significatif si > ttable(n0 - 1, ) × si .

Au risque de 5 %, et avec n0 - 1 = 2 - 1 = 1 degré de liberté, on obtient ttable(1, 5%) = 12, 706.

Ainsi, un coefficient sera significatif s'il est tel que > 0, 318 Nous constatons donc que,

 l'effet de la variable B est hautement significatif.

 l'effet de l'aliase (BC, AD) est significatif.
 l'effet de D est non significatif de justesse.
 les autres effets ne sont pas significatifs.

Étudions l'aliase (BC, AD) en nous demandant laquelle des deux interactions à le plus de
chance d'être réelle. Pour cela, examinons séparément l'influence sur la pureté de chacune de
ces interactions.

Étude de l'interaction AC

C = -1 C = +1
A = -1 P =(3,1+2,2)/2 = 2, 65 P = (4-0,1)/2 = 1, 95
A = +1 P = (4,1+1,3)/2 = 2, 70 P = (4,1+0,6)/2 = 2, 35

L'examen de ce tableau montre que les conditions optimales seront obtenues avec : A au
niveau +1 et C au niveau -1.

Étude de l'interaction DB

D = -1 D = +1
B = -1 P =(4,1+4,1)/2 = 4, 1 P =(4,1+4,0)/2 = 4, 05

B = +1 P =(1,3-0,1)/2 = 0, 6 P =(2,2+0,6)/2 = 1, 4

L'examen de ce tableau montre que les conditions optimales seront obtenues avec : B au
niveau -1 et D au niveau -1. En conclusion : L'effet principal de la variable B étant négatif, il
faut effectivement se placer au niveau -1 pour cette variable. En résumé, nous obtiendrons la
plus grande pureté avec :

Variable Niveau Réalité

A +1 Base en excès
B -1 Vitesse d'addition de la base lente
C -1 Filtration à chaud
D -1 Lavage du précipité normal
 Algorithme de Yates

Pour k variables (ou facteurs), la matrice d'expérience comporte k colonnes. On alterne les -1
et le +1 toutes les lignes pour la première colonne, toutes les deux lignes pour la seconde
colonne, toutes les quatre lignes pour la troisième, etc. Plus généralement :

 Toutes les colonnes commencent par -1.

 On alterne les -1 et les +1 toutes les 2j-1lignes pour la jeme colonne.

Exemple

 Pour 2 variables, la matrice d'expériences est :

Exp A B
1 -1 -1
2 +1 -1
3 -1 +1
4 +1 +1

 Pour trois variables, la matrice d'expérience est

Exp A B C
1 -1 -1 -1
2 +1 -1 -1
3 -1 +1 -1
4 +1 +1 -1
5 -1 -1 +1
6 +1 -1 +1
7 -1 +1 +1
8 +1 +1 +1
http://www.reliasoft.fr/doe/

Logiciel