Chapitre 1

C
C
h
h
a
a
p
p
i
i
t
t
r
r
e
e
1
1

M
M
t
t
h
h
o
o
d
d
e
e
d
d
e
e
s
s
p
p
l
l
a
a
n
n
s
s

d
d
e
e
x
x
p
p
r
r
i
i
e
e
n
n
c
c
e
e
s
s

Introduction
VIVIER Stphane - Chapitre 1 - 3

C
C
h
h
a
a
p
p
i
i
t
t
r
r
e
e
1
1

M
M
t
t
h
h
o
o
d
d
e
e
d
d
e
e
s
s
p
p
l
l
a
a
n
n
s
s
d
d
e
e
x
x
p
p
r
r
i
i
e
e
n
n
c
c
e
e
s
s

1. Introduction

Dans les diffrents chapitres de cette thse, on considrera que lon prend part une dmarche
visant comprendre et synthtiser un processus quelconque, inconnu a priori. La ralisation dexpriences
donne alors la possibilit dinitier un processus de traduction en termes logiques, voire mathmatiques de
ce phnomne.

De manire gnrale, la mthode des plans dexpriences cherchera dterminer et tablir les liens
existant entre 2 types de variables :
la rponse : grandeur physique tudie ;
les facteurs : grandeurs physiques modifiables par lexprimentateur, senses influer sur les
variations de la rponse.
Plus prcisment, elle vise aussi bien comprendre les relations liant la rponse avec les facteurs, que
les facteurs entre eux.

Pour cela, la solution propose consiste dans tous les cas tablir un modle, exprimant la rponse en
fonction des facteurs.

Pour btir ce modle, il faut apprhender ces variations.
Celles-ci sont dduites des rsultats de sries dexpriences, cest--dire de plusieurs configurations
pour lesquelles les valeurs des facteurs sont diffrentes.
Il sagit ici de la notion de plan dexpriences (PE), correspondant la ralisation dune srie de N
expriences, qui sont toutes :
dtermines a priori ;
obligatoirement ralisables ;
indpendantes entre elles.

La ralisation dun plan revient dterminer la valeur de la fonction rponse pour ces N
configurations. Une relation de modlisation en est alors dduite.

Introduction

4 - Chapitre 1 - VIVIER Stphane
Les deux principales utilisations possibles de la Mthode des Plans dExpriences (MPE) sont :
la technique du screening
Parmi les facteurs recenss par lexprimentateur, cet outil permet de dterminer ceux qui ont une
influence statistiquement non ngligeable sur les variations de la rponse. On procde ainsi
implicitement une simplification du problme. On recherche pourquoi la rponse varie (en
fonction de quels facteurs).
la mthodologie des surfaces de rponse
Les variations de la rponse sont calcules en fonction des facteurs prcdemment jugs influents.
Cette tude est davantage quantitative, le but tant de dterminer comment la rponse varie.

Une dpendance fondamentale existe de fait entre le PE et le modle. Toutes les caractristiques de
ce dernier sont hrites de la dfinition du premier.
A titre dexemple, on peut remarquer que suivant que lon ralise une analyse de screening ou que
lon construise une surface de rponse, le modle utilis ne doit pas possder les mmes proprits. Par
consquent, la dfinition du plan dexpriences utilis doit tre adapte lapplication vise.
On relvera cette dualit dfinition du PE caractristiques du modle dans lensemble des
dveloppements ultrieurs.
Cest pourquoi le screening et la mthodologie des surfaces de rponse (MSR) seront abords de
faon similaire, par :
la description des principaux plans dexpriences correspondants ;
la prsentation des modles employs.

Pour rsumer, la MPE est donc un ensemble de techniques complmentaires aidant son utilisateur
dans la dtermination des expriences raliser ainsi que dans la comprhension et lexploitation des
rsultats obtenus.
Ces outils sappuient essentiellement sur des bases statistiques et algbriques. Cette particularit
induit la possibilit quasi-permanente de connatre les erreurs concdes sur les donnes exprimentales et
sur celles qui en sont dduites.
Toutes les variables considres sont assimiles des variables alatoires. Par consquent, la majorit
des dveloppements thoriques statistiques peuvent complter les fonctions originellement attribues la
MPE.

Les travaux prsents dans ce rapport ont respect une mthodologie demploi de la MPE. Elle suit 3
tapes principales :
la dfinition du problme ;
ltude qualitative du systme ;
ltude quantitative du systme.
Le deuxime point correspond clairement lapplication de lanalyse de screening.
Quant au troisime, il dsigne la mthodologie des surfaces de rponse, mais galement les processus
doptimisation. Ces 2 possibilits sont lies. Ainsi, le calcul dune surface de rponse peut servir la
dtermination des conditions optimales, ou bien initier un processus plus complexe doptimisation. A
linverse, les points dexpriences utiliss par les mthodes doptimisation peuvent tre utiliss comme
support des surfaces de rponse.

Le dveloppement des trois tapes donnes ci-dessus servira de structure principale ce premier
chapitre.
Cest ainsi que nous aborderons successivement la technique de screening et la mthodologie des
surfaces de rponse, aprs avoir trait des concepts gnraux essentiels.
Il sera impossible de prsenter tous les aspects de la mthode des plans dexpriences. Nanmoins,
les principales caractristiques seront rappeles dans ce rapport ; elles figureront en majorit dans les
Annexes.
Introduction
VIVIER Stphane - Chapitre 1 - 5

Pour le screening et la MSR, un certain nombre doutils mathmatiques ont t mis au point afin de
faciliter lanalyse des rsultats des plans dexpriences. Les plus utiles dentre eux seront prsents.

En plus de la description de ces deux aspects, les sujets connexes seront traits. Il sagira
principalement du placement des points dexpriences dans le domaine dtude. Cest ainsi que sera faite
une prsentation succincte des plans dexpriences les plus connus, relativement leurs intressantes
proprits. La gnralisation de ce propos se fera avec lanalyse de la notion sous-jacente doptimalit.

Toutes les notions abordes dans cette partie sont fondamentales. Elles constituent un fondement
thorique pour le deuxime chapitre dans lequel lapplication de la MPE aux problmes doptimisation est
traite.
Concepts gnraux

2. Concepts gnraux

Dans cette partie sont synthtises et rsumes les diffrentes hypothses entrant en jeu dans
lutilisation de la technique des plans dexpriences.
Ces considrations entreront bien entendu en compte dans les dveloppements ultrieurs plus
spcialiss dcrivant loptimisation par utilisation de la mthode des plans dexpriences (MPE).

2 2. .1 1. . V Va ar ri ia ab bl le es s

2.1.1. Dfinitions
Pour la retranscription mathmatique du problme physique initial, on fait correspondre des
variables mathmatiques des grandeurs physiques (lectriques, mcaniques, thermiques, ) supposes
intervenir dans le problme.

Nous dfinissons les termes suivants :

Rponse
Ce sont les grandeurs tudies ou grandeurs de sortie.
Dans le cadre des processus doptimisation, la grandeur tudie dont on recherche les meilleures
valeurs est gnralement appele fonction objectif ou fonction rponse.
On dfinit galement les fonctions de contrainte qui dfinissent les expriences non ralisables.
Les fonctions objectif et de contrainte peuvent tre une rponse particulire ou une
combinaison de plusieurs rponses du systme tudi.

Facteur
Les facteurs sont les grandeurs supposes influer sur les variations des rponses.

Parmi un ensemble de facteurs donn par lexprimentateur, tous ne sont pas obligatoirement
rellement influents sur les variations de la rponse. Cest la technique du screening qui
permettra de dterminer lesquels le sont vritablement.

Les facteurs et les rponses sont les seules variables intervenir dans lcriture des plans
dexpriences. La MPE est en effet un outil permettant dtablir des relations mathmatiques entre
les rponses et les facteurs (uniquement).

Chaque facteur peut tre :
continu : il peut adopter toutes les valeurs numriques relles dans lintervalle [ ]
sup inf
b b ;
En loccurrence, les dimensions gomtriques de construction des machines lectriques sont des facteurs continus
(paisseur de culasse, hauteur de dent, etc.) ;
discret : lensemble des valeurs que le facteur peut prendre est fini ; ces valeurs sont comprises
dans un intervalle dtermin ;
Par exemple, le nombre dencoches dune machine lectrique constitue un facteur discret ;
qualitatif : lensemble des valeurs que le facteur peut prendre est fini : on parle ici de modalits.
Celles-ci ne peuvent tre compares entre elles.
Le type de tle ou la caractristique B-H du matriau ferromagntique employ sont des exemples de facteurs
qualitatifs.

Les facteurs sont pleinement caractriss par les valeurs suivantes :
borne infrieure (binf) : limite basse (ou niveau bas) des valeurs que le facteur peut prendre ;
borne suprieure (bsup) : limite haute (ou niveau haut) des valeurs que le facteur peut prendre ;

Concepts gnraux
VIVIER Stphane - Chapitre 1 -
7
Dans les cas o le facteur est considr comme discret, on rajoute le champ suivant :
nombre de valeurs intermdiaires (Nvi) : nombre de valeurs diffrentes rgulirement disposes
entre la borne infrieure et la borne suprieure, que le facteur peut prendre.

Avec toujours
inf sup
b b > et 2 Nvi (pour Nvi=2, le facteur prend les valeurs binf et bsup).

Un facteur continu nest jamais dfini par les valeurs quil doit prendre, mais par les limites de
variation de ses valeurs (par opposition au paramtre).

Par la suite, on notera k le nombre de facteurs dfinis.

Paramtres
Les paramtres jouent le mme rle que les facteurs, mais ils ne sont pas pris en compte dans la
dfinition des plans dexpriences, et ne figurent donc dans les expressions mathmatiques des
modles.

Les paramtres sont des variables prenant un nombre fini de valeurs distinctes.
De manire pratique, les paramtres permettent de faire intervenir les facteurs qualitatifs.

Lorsque plusieurs paramtres sont dfinis dans la mme tude, il y a alors dfinition des
combinaisons de paramtres, cest--dire de toutes les combinaisons possibles entre les valeurs de
chaque paramtre.
Leur nombre peut devenir rapidement important. Lusage des paramtres savre donc dlicat
car extrmement coteux.
Lors de lutilisation typique des paramtres, les calculs utilisant les plans dexpriences
(simplement ou dans des algorithmes doptimisation) sont raliss pour chacune de ces
combinaisons.

Constantes
Ce sont des paramtres cardinal unitaire.

2.1.2. Remarques
La dfinition des facteurs continus est par nature dlicate. Elle implique principalement la
spcification des dimensions du DE par la dtermination des bornes infrieure binf et suprieure bsup
(paragraphe 2.2. ). Elle a galement une influence sur les rsultats des algorithmes doptimisation par la
mention des prcisions relatives de chaque facteur. Accessoirement, elle entre en jeu dans la dfinition de
lensemble des points candidats lorsque des plans optimaux sont construits (6.3.1. ).
Les bornes de variation des facteurs doivent tre dfinies en tenant compte en majorit :
des ralits de construction du systme ;
On entend ici les obligations respecter pour que le prototype (virtuel) utilis traduise une
possibilit concrte. Des considrations mathmatiques, physiques, financires, etc. peuvent
intervenir. Ainsi, prenons lexemple du frein lectromagntique prsent dans le chapitre 4. Le
facteur entr dsigne lpaisseur dentrefer, cest--dire lespace sparant le rail et le frein lui-mme.
Ses valeurs doivent tre assez faibles pour justifier dun effet de freinage effectif de la part du
dispositif. Cependant, elles ne doivent tre trop petites car il faut tenir compte des irrgularits
des rails, de leurs jonctions, des objets pouvant y tre prsents, de lusure des roues, etc. Dans le
mme exemple, la densit de courant J a ses valeurs limites du fait de lchauffement du
dispositif par leffet Joule.
de la connaissance du systme ;
La dtermination et la dfinition des facteurs prcdant lanalyse qualitative du systme, les
influences relatives et absolues des facteurs ne sont pas connues ce stade. Cependant, dans le
contexte lectrotechnique, il est assez souvent possible de pressentir les variations de certaines
rponses relativement aux variations des principaux facteurs. Cest ainsi que, suivant cette
connaissance a priori du dispositif tudi, le domaine dtude peut tre dfini, suivant les
volutions recherches des rponses. On parle alors plus gnralement de domaine dintrt.
Concepts gnraux
de lexistence de contraintes ;
Ce point rejoint partiellement le premier de cette liste. Certaines contraintes sur des facteurs
peuvent tre prises en considration par la redfinition des bornes de variation. Par exemple, dans
le cas du frein lectromagntique considr plus haut, le facteur J a sa borne suprieure gale 8
A/mm
2
, car cette densit de courant reprsente principalement une limite de fonctionnement, au-
del de laquelle laspect thermique devient prpondrant.
Certains facteurs peuvent galement tre dfinis pour viter de mettre en jeu des contraintes
particulires.

2 2. .2 2. . D Do om ma ai in ne e d d t tu ud de e ( (D DE E) )
Etant donne la dfinition des variables de type facteur, il devient naturel de dfinir un espace k-
dimensionnel, dans lequel chaque point reprsente une combinaison des valeurs possibles des k facteurs.

Cet espace est appel domaine dtude (DE). On trouve galement lappellation espace de recherche,
montrant un lien plus fort avec les futures optimisations prenant place dans cet espace.

Les points intrieurs ce domaine sont les points dexpriences, car ils sont la traduction mathmatiques,
par leurs coordonnes, des combinaisons de valeurs des grandeurs physiques leur correspondant.
Le DE est obligatoirement de forme hyper-rectangulaire, ses dimensions tant imposes par les
plages de variation des k facteurs. Celles-ci imposent donc des contraintes dites de domaine.

Ainsi, pour k=2, on peut reprsenter le DE comme une zone rectangulaire limite par les bornes
prises par les 2 facteurs x1 et x2 ( [ ]
1 sup 1 inf
b b et [ ]
2 sup 2 inf
b b respectivement)
facteur
2 facteur
2 inf
b
1 inf
b
1 sup
b
2 sup
b
Point dexprience
1
x
2
x
(Valeur partic ulire de ) x
(DE) d'tude Domaine

Figure 1 - Reprsentation du domaine d'tude (DE) pour k=2

Ainsi tout point de cet espace k-dimensionnel est dfini par ses coordonnes, cest--dire par un
vecteur x k lments.
x servira de variable de type inconnue pour lcriture des modles exprimant les variations des
rponses en fonction des valeurs des facteurs.
Un modle est donc une relation simple de la forme :

( ) x f y=

O y est une rponse en particulier, x prenant ses valeurs dans le DE.

Le DE peut donc tre vu comme un ensemble de valeurs autorises.

2 2. .3 3. . N Na at tu ur re e d du u p pr ro ob bl l m me e
Le domaine dtude est a priori un ensemble infini de valeurs, toute fonction dfinie sur cet espace
tant continue. Cependant, le cas discret peut galement tre rencontr.
Cette notion sera particulirement utilise lors de la description des mthodes doptimisation.
Concepts gnraux
9

Problme continu
Dans cette hypothse, toutes les variables sont supposes prendre nimporte quelle valeur dans
le domaine dtude. x est donc un lment de DE
k
R . Ainsi, dans la relation ( ) x f y= , f est une
fonction continue de la variable x.

Problme discret
Dans un problme discret, les rponses sont tudies relativement des facteurs discrets ou
qualitatifs. Cependant, cette dfinition peut tre rendue plus gnrale, dans la mesure o certains
facteurs continus peuvent tre discrtiss.

Lhypothse de continuit des facteurs ne peut tre bien souvent que thorique. En effet, par
exemple, il sera possible de modifier la hauteur dencoche pour un rotor donn, avec une prcision
de 0,1 mm au mieux, ou de mesurer une induction magntique au dixime de tesla au maximum.
On se heurte alors ici la qualit du matriel dexprimentation et de mesure, qui ne peut tre
infinie. Cette limite inhrente la ralisation mme des processus exprimentaux doit parfois tre
prise en compte.
Il est alors ncessaire dintroduire la prcision (f) dun facteur.
On retrouve ici la raison de lintroduction de la notion de nombre de valeurs intermdiaires (Nvi) vue
prcdemment. La relation entre ces 2 grandeurs est :

1
inf sup
=
Nvi
b b
f

Dans le cadre dun problme discret, le domaine dtude nest pas un ensemble infini de valeurs,
mais est une grille dtermine de points.

facteur
2 facteur
2 inf
b
1 inf
b
1 sup
b
2 sup
b
1
x
2
x
1 f
2 f

Figure 2 - Problme discret - Exemple avec 2 facteurs continus discrtiss

Lexistence de facteurs qualitatifs rend lemploi de la mthode des plans dexpriences impossible.
Le but de la MPE tant daboutir un modle de la rponse tudie en fonction des variations des
facteurs, cet objectif ne peut tre atteint lorsque des facteurs prennent des valeurs non classables entre
elles.
Ainsi, il est ncessaire de transformer les facteurs qualitatifs en paramtres. La mthode des plans
dexpriences, et plus gnralement les mthodes exploitant la MPE, doivent alors tre appliques en
utilisant les facteurs continus et discrets restants, pour chaque combinaison des valeurs de ces paramtres.
Par exemple, si sont dfinis 2 facteurs qualitatifs prenant chacun 2 modalits, la MPE doit tre
applique 22=4 fois. Les rsultats de ces 4 calculs distincts peuvent ensuite tre compars
numriquement entre eux.
Concepts gnraux
Par consquent, lusage de facteurs qualitatifs doit tre trs mesur, car il entrane de fait un
dveloppement exponentiel du nombre dexpriences ncessaires.

On relvera les situations particulires o certains facteurs discrets doivent tre traits comme des
paramtres. Par exemple, le nombre dencoches statoriques nest du moteur aimants permanents prsent
au chapitre 4, a t dfini comme tant un facteur discret, prenant ses valeurs entre 18 et 36. La machine
possdant 6 ples, il nest pas possible de dfinir un nombre de ples strictement inclus dans lintervalle
]18, 36[. De ce fait, bien qutant un facteur discret par nature, le facteur nest doit tre considr comme un
paramtre, en particulier lors de ltude quantitative du systme.

Si aucun facteur qualitatif nest dfini, le calcul dun plan dexpriences est envisageable, mme dans
un problme discret. Il faut ici sassurer que les expriences de ce plan correspondent des points
possibles de la grille dfinissant le DE. Il faut donc choisir le plan dexpriences adquat (annexe 1). Si
aucun plan ne convient, le calcul de plans optimaux peut tre une alternative (6. ).
Lanalyse du modle dduit de ce plan doit tre faite en gardant lesprit que certains facteurs sont
discrets. Mme si ce modle est une fonction continue (sil sagit dune relation polynomiale par exemple),
les facteurs discrets ne sont dfinis que par un ensemble fini de valeurs. Par consquent, ce modle ne
peut jamais tre valide dans tout le domaine dtude.
Ces propos sont illustrs par lexemple donn ci-dessous.

6 8 10

Figure 3 - Exemple d'volution d'un facteur discret
Evolution de la force de freinage dun frein linaire lectromagntique
en fonction du nombre de ples du dispositif

La figure ci-dessus donne lamplitude de la force de freinage dveloppe par un frein courants de
Foucault en fonction du nombre de ples du dispositif.
Le nombre de ples npol est un facteur discret. Dans cet exemple, il ne prend que les valeurs 6, 8 et 10.
De manire gnrale, il est bien vident quil ne peut adopter que des valeurs entires positives. Ainsi
par exemple, npol peut galement tre gal 7 ou 9, mais pas 6.5 ou 8.1.
La courbe reliant les 3 points dexpriences est une parabole. Il sagit dun modle traduisant lvolution
de la force de freinage en fonction du nombre de ples du frein lectromagntique. Cette fonction de
modlisation est continue alors que les seules valeurs considrer sont celles o le nombre de ples
vaut 7, 8, 9, et 10. Le reste ne reprsente pas une ralit physique.

Problme mixte
On dfinit un problme mixte comme tant une tude faisant intervenir des facteurs continus (non
discrtiss) et dautres discrets et/ou qualitatifs.
Les remarques formules dans le paragraphe prcdent Problme discret doivent galement tre
considres ici.

2 2. .4 4. . C Co on nt tr ra ai in nt te es s
Aux limites infrieures et suprieures de chaque facteur, viennent souvent sajouter les contraintes,
cest--dire des conditions pratiques particulires pour lesquelles il est exclu de raliser des expriences. Il
peut sagir dimpossibilits manifestes ou plus simplement de limites imposes par lexprimentateur.
Concepts gnraux
11
On citera par exemple des contraintes logicielles, dexistence physique, dusinage et de bon
fonctionnement [Brisset 95].
Ces contraintes ne sont prises en compte que lorsquelles viennent restreindre lespace de recherche.

Elles se traduisent alors par la dfinition implicite de zones du DE pour lesquelles aucune exprience
ne doit tre mene.
Elles sont mathmatiquement dfinies par les fonctions de contrainte.

Contraintes en position
Les contraintes en position sont celles qui ne concernent que les facteurs.

Elles lient dans la majorit des cas les facteurs entre eux.
Elles ont lavantage dtre connues avant la ralisation des expriences, et donc de participer la
dfinition du domaine dtude possible, comme nous le verrons au paragraphe suivant.

Il sagit souvent de contraintes traduisant davantage des impossibilits relles que des limites
imposes dans le cadre doptimisations.

La prsence de contraintes en position, actives lintrieur du DE est problmatique car elle
interdit souvent la ralisation de plans classiques possdant des proprits connues et parfois
optimales. De ce fait, elle rend parfois impossible la ralisation des analyses de screening sur
lensemble du DEP, et complique la construction de surfaces de rponse ainsi que la ralisation
doptimisations.

Contraintes en valeurs atteintes
Les contraintes en valeurs atteintes font intervenir les rponses, en plus des facteurs.

De la mme faon, il est courant que pour de telles contraintes, les rponses soient mutuellement
lies.
Cest ainsi le cas lors de contraintes dfinies comme modalits dun processus doptimisation. On
peut par exemple vouloir que les conditions optimales soient recherches pour une rponse donne,
tout en imposant que les valeurs dune seconde rponse ne dpasse pas un certain seuil.
Dans ces cas prcis, ces contraintes ne dcrivent donc pas des zones dexprimentation impossibles,
mais des espaces exclus parce que placs sous conditions.

La dfinition de telles contraintes est en outre dlicate. Les rponses considres prcdemment
peuvent en effet correspondre :
aux rponses mesures directement ;
aux rponses calcules, par lutilisation dune modlisation particulire dfinir.
Ce choix est laiss lexprimentateur.
Cependant la premire alternative ne peut tre utilise lors de processus doptimisation, puisque
dans ce cas, on pourrait tre amen raliser des expriences donnant des valeurs de rponse
invalides par ces mmes contraintes
Cest ainsi que ces espaces ainsi exclus ne sont dfinis quaprs les expriences ralises et les
modles calculs.

2 2. .5 5. . D Do om ma ai in ne e d d t tu ud de e p po os ss si ib bl le e ( (D DE EP P) )
On dfinit le domaine dtude possible (DEP) comme tant le domaine dtude (DE) soumis aux
contraintes de position.
Il sagit donc de lespace des expriences ralisables.

De la mme faon que pour le DE, on peut raliser la distinction entre les problmes continus et les
autres discrets, modifiant de fait structurellement les ensembles de valeurs des facteurs.

Concepts gnraux
facteur
2 facteur
2 inf
b
1 inf
b
1 sup
b
2 sup
b
1
x
2
x
s contrainte
(DEP) possible d'tude Domaine

Figure 4 - Reprsentation du domaine d'tude possible (DEP) pour 2 facteurs

2 2. .6 6. . E Ex xp p r ri ie en nc ce es s

2.6.1. Natures

Expriences relles
Classiquement, les expriences considres par la MPE sont des processus rels pour lesquels il y a
modification effective des conditions exprimentales.
Les expriences relles sont soumises aux erreurs exprimentales et aux erreurs de mesure.

Ces dernires peuvent tre dfinies comme suit.
Lerreur exprimentale traduit lerreur imputable la conception et la ralisation des expriences. Elle
nest donc lie qu lexprimentation.
Lerreur de mesure traduit la variabilit des rponses du fait de la prise en compte des rsultats donns
lissu du processus dexprimentation. Elle peut ainsi sajouter a posteriori lerreur exprimentale.

Expriences virtuelles
Lavnement de lordinateur a vu le dveloppement ininterrompu de lusage des simulations
informatiques. On notera par exemple limportance extrme des mthodes numriques du type lments
finis .
Il est ainsi possible prsent de raliser des calculs complexes sur tout type de structures, dans de
nombreux domaines physiques (mcanique, hydrodynamique, lectromagntisme, etc.). Dans tous les cas,
lobjet tudi doit tre renseign informatiquement, cest--dire modlis.
Ces simulations sont considres comme des expriences relevant dun caractre virtuel (ou expriences
virtuelles).
Lobjet tudi nexiste pas physiquement mais ses proprits physiques peuvent tre calcules par des
outils numriques.

Les expriences virtuelles ne sont soumises quaux erreurs exprimentales.

2.6.2. Erreurs associes aux expriences virtuelles

Dans ce cadre, les plans dexpriences utilisant des simulations informatiques, sont sans rptition. En
effet, chaque rponse, correspondant un essai, est obtenue partir dune seule exprience virtuelle.

La principale diffrence entre les expriences relles et virtuelles concerne ainsi lerreur de mesure.
Dans le cadre de simulations, le processus de mesure est trs simplifi : il revient prendre
connaissance des valeurs numriques des rponses. Cest pour cela que lon ne considrera pas cette tape
comme source derreurs de mesure.

Concepts gnraux
13
Concernant les erreurs exprimentales, elles existent dans tous les cas, mme lorsque des simulations
informatiques sont utilises. En effet, il existe de nombreuses sources de variabilit prsentes lors de
linitialisation et du droulement des processus dexprimentation.
Indpendamment de la MPE, on peut en citer quelques unes :
prcision des donnes dentre ;
Par exemple, une cte spcifie en double prcision est considre comme fournie avec 15 dcimales exactes, ce
qui bien videmment nest pas le cas. Donner les n dcimales signifie que lon ne se soucie pas des valeurs des
15-n autres. Ainsi, la valeur de 2.234 est associe implicitement 2.234000000000000, alors quil peut sagir de
2.234400000000000 ou bien encore de 2.233600000000000.
comprhension du phnomne modliser ;
Ici peuvent intervenir notamment loubli de facteurs influents.
degr de simplification adopt ;
On considre le processus de modlisation de lobjet tudi. Celui-ci peut avoir t simplifi pour permettre la
construction du modle informatique, ou pour faciliter les calculs ultrieurs. Par exemple, les problmes
doptimisation peuvent tre dfinis par un nombre plus ou moins grand de variables ; leur rsolution devenant
plus dlicate et plus coteuse lorsque le nombre de facteurs augmente.
type de mthode de rsolution ;
Le choix entre les mthodes des lments finis, des rseaux de permances, etc. est important. Certaines sont
mieux adaptes que dautres des configurations donnes.
caractristiques du maillage (calculs par lments finis) ;
La finesse du maillage, le type des lments ainsi que la disposition des nuds influent sur les rsultats.
formulation mathmatique (calculs par lments finis) ;
Le choix entre les diffrentes formulations mathmatiques (en potentiel scalaire ou vecteur) est parfois propos
par des logiciels de simulation.
mthode de calcul des grandeurs tudies ;
Certaines grandeurs tudies doivent tre dduites par calculs supplmentaires partir des rsultats de
simulation. Ainsi, par exemple, le calcul de force est effectu en post-processing ; il peut se faire soit par la mthode
du tenseur de Maxwell, soit par lutilisation de la conergie Le calcul le plus juste de ce type de rsultats est
problmatique, et provoque souvent la reconsidration de la modlisation initiale de lobjet tudi.
ordinateur utilis et change des donnes ;
La prcision des donnes numriques manipules est galement prendre en compte.
etc.

De plus, il faut compter sur des paramtres relatifs la MPE :
type de plan utilis ;
Cet aspect sera abord plus loin dans ce chapitre. On notera alors linfluence du placement des points
dexpriences dans le DEP. Cet aspect est connexe ltude de la fonction de variance.
type de modlisation utilise
Le mode dinterpolation de la rponse en fonction des facteurs est fondamentale. Ainsi, plusieurs possibilits
sont donnes, notamment celles dutiliser soit les modles polynomiaux, soit les lments diffus, etc.
etc.

Pour ces raisons, deux personnes disposant de moyens diffrents naboutiront pas au mme rsultat
pour la ralisation dune simulation identique.
En dautres termes, raliser deux fois la mme simulation donnera toujours la mme rponse. Mais
concevoir deux fois un processus exprimental pour la ralisation dune mme exprience peut conduire
deux rsultats diffrents.

Si lon inverse le raisonnement, on voit que lerreur exprimentale peut tre simule.
La manire la plus simple est celle qui consiste considrer les facteurs jugs non influents (se
reporter au 4. pour la description de la technique du screening) comme source potentielle de bruit, et de
les prendre comme rfrence de comparaison pour les tudes statistiques (analyse de la variance en 4.4.1. ).
Il est galement possible dajouter un bruit alatoire dans les donnes dentre.
Lapport de loutil statistique reste donc primordial : les variables utilises sont alatoires par nature,
au sens mathmatique du terme.
Modlisation

3. Modlisation

La mthode des plans dexpriences repose essentiellement sur la cration et lexploitation de
modles de la fonction objectif (rponse). Il est donc naturel danalyser dans les dtails cette composante
primordiale.
Nous utiliserons pour cela les notations et les concepts prsents dans les paragraphes prcdents.

3 3. .1 1. . M Mo od d l li is sa at ti io on n p po ol ly yn no om mi ia al le e
Le calcul des coefficients des polynmes modlisateurs nest pas prsent dans cette partie. Ce sujet
sera abord lors de la prsentation mme de la mthode des plans dexpriences (paragraphes 4.1.2. et 5.1.
principalement).

Le but est la recherche de lexpression dun modle polynomial dcrivant les variations de la fonction
rponse y relativement aux valeurs de k facteurs x1, x2, , xk.
La relation mathmatique reliant ces variables sera de la forme :

K
K K
K K
K K K
K K
K K

. . . . . .
. . .
. . . . . .
. . .
. . .
2 1 12 3 2 1 123
3 3
2 222
3
1 111
2 2 1 1 2 1 12
2 2
2 22
2
1 11
2 2 1 1 0 mod
+ + +
+ + + +
+ + + + +
+ + + +
+ + + + + =
k k
k kkk
k k k k
k kk
k k
x x x b x x x b
x b x b x b
x x b x x b x x b
x b x b x b
x b x b x b b y

On remarquera la diffrence faite entre :
y : valeur de rponse mesure (issue dune exprience) ;
ymod : valeur de rponse calcule (issue dun modle des variations de la rponse y).

Tous les monmes sont pondrs. Dans le cas dun nombre lev de facteurs, le nombre de coefficients
(p) devient alors excessif.
Ainsi, les monmes dpassant un certain ordre o sont souvent ignors.

On dsignera par la suite modle dordre o ou modle de degr o tout modle polynomial dont
le monme de degr le plus lev est de degr o.

ymod peut toujours tre transcrit matriciellement comme une multiplication de 2 vecteurs :

( ) ( ) x x .
mod
fx y =

Cette relation est de porte gnrale, par utilisation des notations suivantes :
( ) [ ] K K K K K
k k k k
x x x x x x x x x x x x fx . . . 1
2 1 2 1
2 2
2
2
1 2 1
= x ;
[ ]
= K K K K K
k k kk k
b b b b b b b b b b
2 1 12 22 11 2 1 0
le vecteur des p coefficients de la
modlisation polynomiale de la rponse.

Le coefficient b0 reprsente toujours la moyenne des rponses mesures y des N expriences du plan.
( )
=
= =
N
i
i
y
N
y b
1
0
.
1
x
Modlisation
15

Modles du premier degr (sans interaction)
Pour tout point dexprience de coordonnes [ ]
=
k
x x x K
2 1
x , la valeur de la rponse y se dduit de
la relation matricielle :

b x .
0 mod
+ = b y

0
b est donc la valeur de la rponse au point origine des axes ( [ ] 0 0 0 K ).

De par la forme de lquation, le vecteur b des coefficients du modle ( [ ]
=
k
b b b K
2 1
b ) indique
galement la direction de plus grande augmentation de la fonction rponse ( ) x
mod
y .

Les valeurs des coefficients du modle sont donnes par celles des lments du vecteur , qui peut
notamment adopter lcriture particulire [ ]
=
k
b b b b K
2 1 0
.

Pour 3 facteurs, lquation peut scrire :
[ ]
(
(
+ =
+ + + =
3
2
1
3 2 1 0
3 3 2 2 1 1 0 mod
.
. . .
b
b
b
x x x b
x b x b x b b y

Ce type de modle est typiquement utilis dans le cadre de la mthodologie des surfaces de rponse.
Il peut galement tre employ pour le screening avec certains plans o les interactions entre facteurs
ne sont pas gres (plans de Plackett-Burman, certains plans de Taguchi, ).

Modles avec toutes les interactions
Le prcdent modle ne prend pas en compte les interactions entre les k facteurs. Si celles-ci doivent
tre considres, on peut utiliser un modle du type suivant (exemple pour 3 facteurs):
( ) x .
. . . . . . . . . . . .
3 2 1 123 3 2 23 3 1 13 2 1 11 3 3 2 2 1 1 0 mod
fx
x x x b x x b x x b x x b x b x b x b b y
=
+ + + + + + + =

Avec dans cet exemple :
( ) [ ]
3 2 1 3 2 3 1 2 1 3 2 1
. . . . . 1 x x x x x x x x x x x x fx = x ;
[ ]
=
123 23 13 12 3 2 1 0
b b b b b b b b .
Dans ce type de polynme, chaque monme de degr n est toujours la multiplication de n valeurs de
facteurs principaux. Par exemple, il ne peut exister de terme de la forme
2
2 1
.x x .

Le terme fx(x) est un vecteur ligne dont les lments comprennent les valeurs des k facteurs ainsi que
leurs combinaisons possibles par multiplications mutuelles. Le vecteur est le vecteur colonne des
coefficients correspondants.

Ce modle est implicitement associ au plan factoriel complet (screening), pour lequel toutes
interactions entre tous les facteurs sont calcules.

Modles du deuxime degr
Pour tout point dexprience de coordonnes [ ]
=
k
x x x K
2 1
x , la valeur de la rponse y se dduit de
la relation matricielle :

x B x b x . . .
0 mod
+ + = b y

Modlisation
On voit ici que le modle dordre 2 est issu dun modle du premier degr auquel des monmes
dordre 2 ont t rajouts ( x B x . . ).
La matrice B est carre et symtrique. Ses termes diagonaux sont les coefficients des termes ports
au carrs ; les lments non diagonaux sappliquent aux termes dinteraction entre facteurs.
Dans le cas gnral, elle scrit :
(
(
(
=
kk k k
k
k
b b b
b b b
b b b
L
M O M M
L
L
2 2
2 2
2 2
2 1
2 22 12
1 12 11
B .

La calcul du vecteur permet de dduire les valeurs des coefficients vus ci-dessus. Il se peut ainsi
que prenne la forme [ ]
=
kk k
b b b b b b b K K
12 11 2 1 0
.

Pour illustrer, avec 3 facteurs, nous avons :
[ ] [ ]
(
(
(
(
+
(
(
+ =
+ +
+ + +
+ + + + =
3
2
1
33 23 13
23 22 12
13 12 11
3 2 1
3
2
1
3 2 1 0
3 2 23 3 1 13 2 1 12
2
3 33
2
2 22
2
1 11
3 3 2 2 1 1 0 mod
.
2 2
2 2
2 2
. .
. . . . . .
. . .
x
x
x
b b b
b b b
b b b
x x x
b
b
b
x x x b
x x b x x b x x b
x b x b x b
x b x b x b b y
K
K

Ce modle est uniquement utilis dans le cadre de la RSM.
Il permet en effet de prendre en compte les termes quadratiques, tout en ncessitant un nombre
dexpriences pour son calcul relativement raisonnable.
De plus, son utilisation se rvle tre fort pratique : lanalyse canonique en est une illustration
(5.2.1. ).

Modles de degr suprieur 2
La tentation est bien entendu dutiliser des modles polynomiaux possdant le plus de degrs de
liberts possibles (leur nombre de coefficients) afin de les conformer au mieux aux donnes originelles
quils doivent approcher. Cependant, les consquences sont les suivantes :
le nombre dexpriences raliser est important ;
lapproximation est incertaine : les modles cessent dtre fiables entre les valeurs utilises pour les
construire ;
il est difficile dapprhender les variations du modle, et la relation mathmatique est complexe
utiliser : lapproche analytique doit laisser la place aux investigations numriques.

Autres modles
Lutilisation de plans de screening autres que les plans factoriels complets et les plans de Plackett-
Burman implique dans la majorit des cas lutilisation de modles adapts. En effet, il faut alors tenir
compte des interactions prises en compte par de tels plans.
Ainsi, par exemple, si un plan de Taguchi de type L8-1 est utilis pour ltude de 3 facteurs, il faudra
utiliser le modle suivant :
3 2 23 3 1 13 2 1 12 3 3 2 2 1 1 0 mod
. . . . . . . . . x x b x x b x x b x b x b x b b y + + + + + + =
Les plans de Taguchi ne prennent en effet pas compte des interactions dordre 3.

La dfinition de ces modles particuliers est assure par le mode de construction des plans
correspondants.
Modlisation
17

3 3. .2 2. . M Mo od d l li is sa at ti io on ns s n no on n p po ol ly yn no om mi ia al le es s

Les plans dexpriences sont donc bass sur lutilisation de modles polynomiaux, comme outils
dapproximation de la fonction rponse sur le domaine dtude.
Nous abordons ici les outils mathmatiques non bass sur le calcul de relations analytiques simples,
comme les fonctions multi-quadriques , la tessellation du domaine et les lments diffus.

Multi-quadriques
Le terme multi-quadrique employ ici est la traduction directe de lappellation habituelle et
gnrale de cette famille de fonction : multiquadric radial basis functions (MQ).

Ces fonctions sont utilises principalement pour raliser des interpolations fiables au moindre cot.
Elles sont capables de fournir une approximation analytique (relativement des minima multiples) de la
fonction objectif avec un nombre limit de points dexpriences [Ebner 99].

Les fonctions MQ ont lcriture suivante :
( ) h p
j j
+ = x x x

Les interpolations sur le domaine dtude se ralisent par la somme pondre de fonctions MQ. Par
la suite, nous noterons N le nombre de points dinterpolation, dont les valeurs des rponses sont dj
connues ( ( ) x
i
y ).
Ainsi, la valeur de la rponse interpole par cette mthode en un point de coordonnes x sobtient
par la somme :
( ) ( )
=
=
N
j
j j
p c g
1
. x x

Les coefficients pondrateurs cj se calculent par linversion du systme dquations :
( ) ( )
=
=
N
j
j
i
j
i
p c y
1
. x x

Matriciellement, les valeurs de cj sobtiennent par :
[ ] [ ] [ ]
i ij j
y A c .
1
=

O ( ) x
i
i
y y = et ( ) h p A
j i
j
i
ij
+ = = x x x ( N j i , , 2 , 1 , K = ).

La mthode prsente est intressante dans la mesure o elle constitue une solution simple
linterpolation multidimensionnelle.
Le modle implicite construit par cette mthode passe par tous les points du support.
Cette modlisation possde des proprits intressantes connues, confrant cette technique
dapproximation de la valeur de fonction rponse un caractre de fiabilit.
Linterpolation peut tre ralise lextrieur du nuage de points constitu par les points du support.
A tout moment, le placement des points dexpriences dans le DEP ne ncessite pas dtre rgulier.

Le principal inconvnient rside dans le calcul des coefficients cj.
tant donn quil y a autant de coefficients que de valeurs de rponses, la taille de la matrice A
(dordre N) devient vite trs grande. Ceci est dautant plus gnant que cest linverse de A qui doit tre
calcule.
Cet aspect peut tre relativis si la valeur de A
-1
est calcule par itrations successives, et non pas
dune seule fois. Lutilisation du calcul de linverse par itrations peut se rvler intressante, dans la
mesure o elle peut sinscrire dans une dmarche naturelle de construction par tapes de linterpolation.
Modlisation
Cependant, de manire gnrale, cette mthode nest
intressante, de faon pratique, que pour les relativement
petites valeurs de N (nombre dexpriences).

De plus, la dtermination de la valeur de h est dlicate, en
plus d'tre dterminante dans la qualit de linterpolation
([Alotto 97]).
La procdure de dtermination vue plus haut ncessite
une quantit de calculs non ngligeable, voire prohibitive dans
certains cas. Les temps de calculs ncessaires sajoutant alors,
cette mthode perd toute souplesse.

Tessellation du domaine
La ralisation dune exprience revient connatre un
point dans le domaine dtude. Le calcul de plusieurs plans
dexpriences dans ce mme domaine cre ainsi un nuage
de points (pas forcment rgulirement espacs entre eux)
dont les rponses sont connues.
Lide est donc de mailler (raliser une tessellation) de lespace courant dtude, sappuyant sur les
points prcdemment cits.
La connaissance des lments (finis) (hyper-)triangulaires ou (hyper-)rectangulaires donne alors la
possibilit de connatre la valeur de la rponse en tout point intrieur au nuage de points connus. Dans la
majorit des cas, les lments ainsi constitus sont linaires (sur de tels lments, la rponse est suppose
voluer linairement dun sommet un autre).

Des erreurs de maillage peuvent tre calcules, donnant ainsi des critres de qualit ce type
dinterpolation.

Lajout dun nouveau point dexprience ninvalide pas tout le maillage dj calcul. Seuls certains
lments doivent tre modifis et ajouts.

Lanalyse en post-processing de linterpolation de la rponse est facilite ; elle peut en effet tre
ralise lment par lment. Lutilisation dlments linaires permet daccentuer cet aspect, notamment
pour la recherche de points optimaux ou le calcul de courbes diso-valeurs.

Cependant, la cration du maillage du domaine
est problmatique.
Le domaine dtude tant k-dimensionnel ( 2 k ),
il faut par consquent disposer doutils mme de
mailler en k dimensions, k pouvant adopter des
valeurs leves parfois (suprieures 3 notamment).
La qualit du maillage est galement importante,
dans la mesure o linterpolation par tessellation est
directement dpendante des lments (finis) crs.
Ainsi, 2 maillages diffrents vont donner 2 valeurs
diffrentes de la rponse, dans la majorit du volume
du domaine. Une erreur exprimentale peut donc
apparatre ici.
De plus, la qualit de linterpolation nest pas
constante dans tout le domaine, du fait de
lhtrognit des tailles et des formes des lments.

Modlisation
19

lments diffus
La mthode des lments diffus repose sur le mme principe que la technique prcdente : elle fournit une
interpolation de la fonction objectif en se basant sur un nuage de points de mesure [Caldora2 01].
Cependant, ici, chacun de ces nuds est le centre dun lment hyper-sphrique k dimensions
lintrieur duquel est dfinie une fonction particulire. Lamplitude de celle-ci est dautant plus faible que la
distance au nud de rfrence est importante. Linfluence de chaque nud est donc limit spatialement.
Pour estimer la valeur de la rponse en un point du DE, il faut ainsi prendre en compte tous les
lments hyper-sphriques qui englobent ce point. Les lments peuvent en effet se chevaucher.
La qualit de lapproximation dpend de nombreux paramtres, tels que :
le rayon des lments hyper-sphriques ;
lexpression de la fonction exprimant la zone dinfluence de chaque nud ;
la base polynomiale de projection de lapproximation.
Le nombre de nuds entre bien entendu en compte. De plus, leurs positions relatives savrent trs
importantes puisquelles conditionnent les valeurs des rayons des lments.

Les mthodes de modlisation prsentes prcdemment nont pas toutes t utilises dans les
dveloppement ultrieurs. Cest ainsi que seuls les modles polynomiaux (dordre 2 au maximum) et les
interpolations par tessellation de domaine ont t retenus.
Ce choix sexplique principalement par le rapport existant entre le plan dexpriences et le modle
dduit.
Il est en effet vain de calculer un plan dexpriences pour en dduire un modle pas davantage
comprhensible que le phnomne rel tudi. On cherchera donc utiliser des outils permettant de
comprendre simplement les relations liant les grandeurs tudies entre elles. Cela est dautant plus
ncessaire que leur nombre est lev. Le recours aux modles polynomiaux dordre 1 et 2 est sur ce point
intressant car des outils existent pour leur analyse et leur comprhension.
En plus de cet argument fondamental caractre pratique, on notera que les modles composs de
sommes de monmes sont particulirement bien adapts la mthode des plans dexpriences. Celle-ci
repose en effet sur des relations essentiellement matricielles. Comme il sera vu dans les parties suivantes,
lobjet mathmatique matrice dexpriences est dtermine la fois par la dfinition des expriences
raliser et galement par lexpression du modle liant la rponse aux facteurs.

Le recours aux fonctions multi-quadriques ou aux lments diffus peut tre intressant pour obtenir
une modlisation dune rponse donne sur lensemble du DE, et pouvant tre utilise en lieu et place des
processus de calcul originels (simulations lments finis par exemple). Lutilisation de ces modlisations
devient alors avantageux car le cot de leur valuation en tout point du DE est trs faible.

Technique du screening

4. Technique du screening

La technique du screening permet de dterminer, parmi un ensemble initial de facteurs, les lments
influents. Il sagit donc dun procd de slection ou de criblage (acception du mot anglo-saxon screening)
[Benoist 94] [Schimmerling 98].

Tout facteur pris en compte est ici considr comme discret ou qualitatif.

De manire gnrale, toute variation de facteur induit des modifications des valeurs prises par la
rponse. Cela est vrai pour pratiquement tous les facteurs, mais des chelles diffrentes.
On ralise ainsi la comparaison entre les variations de la rponse suscite par 2 sources diffrentes:
les variations du facteur tudi ;
les variations de grandeurs considres comme nayant pas deffet sur la rponse (bruit).
On effectue alors le test statistique permettant de rejeter ou non lhypothse H0 selon laquelle le
facteur ninduit pas de variations de la rponse significativement plus importantes que celles engendres
par le bruit. De manire quivalente, un facteur est jug influent (ou dterminant) si son action sur la rponse
tudie est statistiquement suprieure un certain niveau, fix par lexprimentateur.
Il sagit en fait de lanalyse de la variance, prsente plus prcisment au paragraphe 4.4.1. .

De faon plus large, cette analyse permet de classer les facteurs entre eux, relativement leur
influence propre.

La technique du screening permet davancer dans la comprhension de tout systme. Elle donne
ainsi la possibilit de ne retenir que les grandeurs dignes dintrt.
Cependant, son rle ne va gure plus loin. Elle ne peut assurer de faon satisfaisante des tudes au
caractre principalement quantitatif.
Elle constitue donc une tape importante avant toute analyse plus fine ultrieure, pouvant tre
notamment assure par la mthodologie des surfaces de rponses (cf. 5. ).

De par le principe mme du screening, lexprimentateur a tout intrt tester linfluence dun grand
nombre de facteurs, mme sil prsuppose la prsence de grandeurs non influentes.

Dans labsolu, pour tester linfluence dune variable sur une autre, deux expriences suffisent. On fait
varier la premire avec le maximum damplitude : de sa borne infrieure sa borne suprieure ; on relve
ensuite les deux valeurs correspondantes de la deuxime variable (la rponse en gnral).
Cette stratgie est la plus couramment employe.

Lorsque plusieurs facteurs interviennent, lapplication du principe statistique dorthogonalit conduit
rpter lopration prcdente pour chacune des variables, lorsque les autres sont fixes successivement
leurs 2 valeurs possibles. Pour k facteurs, cela reprsente 2
k
expriences raliser. Ce processus
calculatoire correspond au plan factoriel complet prsent au paragraphe suivant.
Le principal inconvnient dune telle mthode rside dans le nombre dexpriences ncessaires, vite
dissuasif lorsque k devient important. Cependant, son grand avantage est quaucun facteur nintroduit de
biais dans le calcul des effets des autres.

Des alternatives moins coteuses peuvent alors tre employes.
On citera ainsi :
les plans factoriels fractionnaires (4.2. )
Ces plans permettent dintroduire la notion de confusion deffets. Cette technique permet de rduire
substantiellement le nombre de points par plan. Cependant, cette conomie se paye : chaque effet
calcul par ce type de plan est en ralit une somme deffets simples (ceux dduits dun plan
21
factoriel complet). Ce dsagrment peut tre acceptable si lon sassure quil nexiste quun seul
effet significatif dans chaque somme.
les plans de Taguchi
Les plans de Taguchi ont t dvelopps dans une optique dutilisation industrielle ; ce sont en
fait des plans factoriels fractionnaires, prenant en compte certaines interactions juges
importantes et en abandonnant dautres.
les plans de Plackett-Burman
Les plans de Plackett-Burman sont une application particulire des matrices dHadamard.

4 4. .1 1. . P Pl la an ns s f fa ac ct to or ri ie el ls s c co om mp pl le et ts s

Lintroduction aux plans factoriels complets se fera par un exemple didactique [Goupy 96]. Il
permettra dintroduire les principales notations utilises par la mthode des plans dexpriences. Il servira
galement de base une gnralisation des critures mathmatiques utilises.

4.1.1. Exemple : plan deux facteurs (2
2
)
Considrons le cas dune raction chimique. On sintresse au rendement de cette raction : il sagit
donc de la rponse.
On suppose que seuls deux facteurs influent sur le rendement : la temprature et la pression avec
lesquelles la raction est ralise. La temprature peut varier entre 60 et 80C et la pression entre 1 et 2
bars.
60C et 1 bar reprsentent les niveaux bas des facteurs temprature et pression respectivement. De la
mme faon, 80C et 2 bars sont les niveaux hauts de ces deux facteurs.
Lorsque les plages de variation des facteurs sont diffrentes (entre elles), il est alors ncessaire
doprer une normalisation des valeurs prises par les facteurs. On transforme les valeurs initiales par des
valeurs centres rduites. Cela revient par consquent attribuer la valeur -1 aux valeurs dcrivant la limite
basse de chaque domaine de variation; de mme, on donne la valeur 1 aux limites hautes.
Cela offre de plus des simplifications mathmatiques importantes par la suite.

La MPE indique toutes les expriences raliser sous forme dune matrice dexpriences (ou matrice des
essais). Il sagit ainsi dune formulation mathmatique du plan dexpriences qui est lui plus attach aux
aspects pratiques de lexprimentation.
Dans le cas des plans factoriels complets, toutes les combinaisons possibles entres tous les niveaux
de chaque facteurs dfinissent une exprience. Pour k facteurs, il y en a donc 2
k
.

Pour chacune, on obtient une valeur de rponse.

Tableau 1 - Exemple d'application d'un plan factoriel complet (2 facteurs)
Facteurs Rponse
Temprature x1 Pression x2 Rendement y
N

e
x
p
.

1
2
3
4
-1
+1
-1
+1
-1
-1
+1
+1
60
70
80
95
y1
y2
y3
y4

Le placement des points dexpriences est reprsent ci-aprs :

y
T
P
1 1
1
1
y
2
y
3
y
4
y

Figure 5 - Reprsentation spatiale des donnes du tableau 1

On dfinit :
la moyenne des rponses au niveau bas de la temprature :
[ ] 70 .
2
1
3 1 60
= + =
y y y
C

la moyenne des rponses au niveau haut de la temprature :
[ ] 5 . 82 .
2
1
4 2 80
= + =
y y y
C

De la mme faon, on dduit :
[ ] 65 .
2
1
2 1 1
= + = y y y
bar

[ ] 5 . 87 .
2
1
4 3 2
= + = y y y
bars

On dfinit alors leffet moyen (ou plus simplement effet) dun facteur par la moiti de la diffrence entre
la moyenne des rponses lorsque le facteur prend sa valeur haute et la moyenne des rponses lorsque le
facteur prend sa valeur basse.
On notera leffet dun facteur par son numro mis en gras. Pour linteraction dun facteur x1 sur un
facteur x2, on utilisera simplement la juxtaposition de leur numro 12.

Ainsi, dans notre exemple, nous avons :
effet du facteur Temprature (1) :
[ ] [ ] 25 . 6 .
4
1
.
2
1
4 3 2 1 60 80
= + + = =

y y y y y y
C C
1
effet du facteur Pression (2) :
[ ] 25 . 11 .
2
1
1 2
= =
bar bars
y y 2
moyenne I des rponses :
[ ] 25 . 76 .
4
1
4 3 2 1
= + + + = = y y y y y I

On utilisera de prfrence les relations connexes suivantes :
( )
( )
T
C
T
C
C
T
C
E
E y y
E y y
=
=
=

60 60
80 80
1

23
La grandeur
C
T
E
80
est leffet du facteur Temprature, cest--dire 1, calcul lorsque la temprature
est ltat haut. De la mme faon,
C
T
E
60
est leffet du facteur Temprature (1) calcul lors la
temprature est ltat bas. Ces deux nouvelles critures dsignent la mme grandeur.
C
T
E
80
et
C
T
E
60

ont ici la mme valeur, tant donn que le facteur considr ne prend que 2 niveaux.
Cette criture des effets sera utilise dans lanalyse de la variance (4.4.1. pour le calcul des variances
associes chaque facteur ou interaction).
De la mme faon, pour le facteur Pression :
( )
( )
P
bar
P
bar
bars
P
bars
E
E y y
E y y
=
=
=
1 1
2 2
2

Et enfin, on note que :
[ ] [ ]
bar bars C C
y y y y
1 2 60 80
.
2
1
.
2
1
+ = + =

I

Il faut galement remarquer que lorsque le facteur temprature est son niveau bas, le facteur
pression est une fois au niveau bas et une fois au niveau haut. Il en est de mme lorsque le facteur
temprature est son niveau haut.
Ainsi, il ny a pas de biais de la pression sur le calcul de leffet de la temprature. Cette caractristique
est appele orthogonalit et constitue une proprit gnrale des plans factoriels.

Toutes les relations vues plus haut peuvent tre rsumes graphiquement par les figures suivantes.

facteur
1 inf
b
1 sup
b
rponse
C
y
60
C
y
80
y
1
1
y
C 80 C 60
T

1 facteur
rponse
C
y
60
C
y
80
y
1
y
T
1 1 0

Figure 6 - Reprsentation de l'effet du premier facteur (Temprature)

Lorsque les valeurs prises par les facteurs sont centres rduites, les effets sont alors reprsents par
les pentes des segments de droite correspondants.

Lorsque la temprature est ltat bas (60C), la variation de la pression fait varier le rendement de
20 points. Lorsque la temprature est ltat haut (80C), le rendement varie de 15 points. Ainsi, suivant la
valeur du facteur temprature, leffet du facteur pression nest plus le mme sur la rponse. Il en est de
mme du facteur pression suivant la valeur du facteur temprature. Il y a donc interaction entre les deux
facteurs.
Leffet du facteur pression au niveau bas de la temprature est :
[ ] 10 .
2
1
1 3
60
= =
y y E
C
p

Leffet du facteur pression au niveau haut de la temprature vaut :
[ ] 5 . 12 .
2
1
2 4
80
= =
y y E
C
p

On dfinit alors linteraction de la temprature sur la pression (ou interaction temprature/pression) comme tant
la moiti de la diffrence entre leffet de la pression lorsque la temprature est ltat bas et leffet de la
pression lorsque la temprature est ltat haut :
[ ] [ ] 25 . 1 .
4
1
.
2
1
4 3 2 1
60 80
= + = =

y y y y E E
C
p
C
p
12

On peut montrer que linteraction temprature - pression est gale linteraction pression -
temprature, cest--dire que 12=21. Cest un rsultat gnral.

Le calcul des effets moyens, de la moyenne des rponses ainsi que des interactions peut tre simplifi
et systmatis par lutilisation de la matrice des essais complte de deux colonnes (encadre en trait fort
dans le Tableau 2).

Tableau 2 - Exemple de calcul des effets moyens (plan factoriel complet - 2 facteurs)
Facteurs Rponse
Moyenne I Temprature x1 Pression x2 Interaction x1.x2 Rendement y
N

e
x
p
.
1
2
3
4
1
1
1
1
-1
+1
-1
+1
-1
-1
+1
+1
+1
-1
-1
+1
60
70
80
95
y1
y2
y3
y4

y1+y2+y3+y4 -y1+y2-y3+y4 -y1-y2+y3+y4 y1-y2-y3+y4 4 (nb expriences)
Effets
I=76.25 1=6.25 2=11.25 12=1.25

Grce cette prsentation, le calcul des effets est immdiat. Ainsi, pour la temprature par exemple,
on multiplie chaque lment de la colonne temprature avec ceux de la colonne rendement et on procde
la somme des produits. On divise ensuite par le nombre total dexpriences (4 dans notre exemple).
La colonne interaction est dduite des colonnes Temprature et Pression par multiplication de
lune avec lautre : on applique ici simplement la rgle des signes.

4.1.2. Synthse et approche matricielle
Lexemple prcdent dcrit un cas particulier dun plan factoriel complet k=2 facteurs.
La notation 2
k
dcrit le nombre dexpriences raliser avec un plan factoriel complet avec k
facteurs prenant chacun 2 valeurs.

Pour tout plan factoriel complet de type 2
k
, il faut donc calculer :
k effets principaux
2
k
-k-1 interactions
1 moyenne

La gnralisation mathmatique de ltude des plans dexpriences se fait en gnral par lutilisation
de lapproche matricielle.

La matrice des expriences se met sous la forme dune matrice carre X dordre 2
k
:
(
(
(
+ + + +
+ +
+ +
+ +
=
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
X
On constate que les vecteurs (colonnes et lignes) sont orthogonaux 2 2.

On notera dsormais par Nni le nombre de niveaux pris par le facteur i. Il sagit du nombre de
valeurs diffrentes adoptes par ce facteur au cours de la ralisation des N expriences du plan.
Dans notre exemple, 2
2 1
= = Nn Nn (valeurs +1 et -1).
On notera que le choix des plans factoriels impose des Nni tous identiques.

25
La matrice dfinie comme la multiplication de la transpose de la matrice dexpriences avec elle-
mme ( X X . ) est appele matrice dinformation. Elle est galement dsigne par matrice de Fisher.
Linverse de la matrice dinformation ( ( )
1
.

= X X ) correspond la matrice de dispersion.
Les matrices dinformation et de dispersion sont diagonales lorsquil y orthogonalit des lignes et des
colonnes de la matrice dexpriences.

Lensemble des rponses est transcrit par un vecteur colonne y 2
k
lments:
(
(
(
=
4
3
2
1
y
y
y
y
y
La moyenne, les effets des facteurs et des interactions sont runis dans un vecteur colonne E 2
k

lments:
(
(
(
=
12
2
1
I
E

La matrice X est ainsi dtermine par :
le plan dexpriences choisi (liste des points dexpriences) ;
lcriture de la modlisation de la rponse ( ( ) x f y= ) ;
Dans le cas o il y galit entre le nombre dexpriences N (nombre de lignes de la matrice
dexpriences) et le nombre de coefficients p du polynme modlisateur choisi (nombre de colonnes de la
matrice dexpriences), ce plan est dit satur. Cest toujours le cas avec un plan factoriel.

Le vecteur colonne y contient les valeurs des 2
k
rponses aux 2
k
expriences correspondantes.
Le vecteur colonne E reprsente alors linconnue du problme. Dterminer sa valeur revient
rsoudre partiellement le problme.

Les oprations effectues dans le prcdent paragraphe sont rsumes par la relation suivante :
E y X . . N
t
=

Ce qui signifie que le vecteur colonne des effets se calcule par :
y X E . .
1 t
N
=

Pour tout plan factoriel, les matrices dexpriences X sont des matrices dHadamard. Parmi leurs
proprits particulires, on peut citer la relation liant linverse de X avec sa transpose :
t
N
X X .
1
1
=

Do :
N
t
NI X X . . =
Avec IN la matrice identit dordre N.

On peut donc finalement crire :
E X y . =

La connaissance des effets permet alors dcrire la relation liant la rponse y aux valeurs des 2
facteurs x1 et x2. Le modle utilis prend en compte toutes les interactions entre tous les facteurs.
Comme le plan employ ici est satur, le modle passe exactement par tous les points dexpriences.
Les valeurs calcules ymod du modle se confondent donc avec celles des rponses mesures y, pour tous
les points dexpriences.
Dans ce cadre, et puisque lespace de travail est centr et rduit, nous pouvons alors crire que :
( )
2 1 2 1
2 1 4 2 3 1 2 1 2 1 mod
. . . .
. . . . ,
x x x x
x x E x E x E E x x y
12 2 1 I + + + =
+ + + =

Par le calcul des coefficients du modle, cest--dire des valeurs des effets des facteurs principaux et
des interactions, il est possible de faire une tude relative des facteurs vis--vis de leur influence sur une
rponse donne. Ainsi, simplement par lexamen des effets, les facteurs peuvent tre classs entre eux
suivant leur capacit plus ou moins forte faire varier la rponse tudie. Ce type dtude est trs souvent
traduite graphiquement, par lusage dhistogrammes des effets (4.4.2.2).
Il nest donc pas ncessaire de raliser une analyse de variance (4.4.1. ) pour cela.

4 4. .2 2. . P Pl la an ns s f fa ac ct to or ri ie el ls s f fr ra ac ct ti io on nn na ai ir re es s

4.2.1. Introduction
Les plans factoriels fractionnaires sont un des aspects les plus intressants de la mthode des plans
dexpriences. Ils donnent la possibilit de raliser des plans factoriels k facteurs avec moins de 2
k

expriences [Goupy 96] [Droesbeke 97] [Box 87].

Considrons lexemple plus consquent dun plan dexpriences 3 facteurs. Le tableau suivant en
donne les valeurs numriques.
Les rponses aux huit expriences sont indiques en regard, permettant le calcul des effets.

Tableau 3 - Utilisation d'un plan factoriel complet (3 facteurs)
Facteurs Interactions Rponse
I x1 x2 x3 x1.x2 x1.x3 x2.x3 x1.x2.x3 y
N

e
x
p
r
i
e
n
c
e

1
2
3
4
5
6
7
8
+
+
+
+
+
+
+
+
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
+
-
-
+
+
-
-
+
+
-
+
-
-
+
-
+
+
+
-
-
-
-
+
+
-
+
+
-
+
-
-
+
38
37
26
24
30
28
19
16

I 1 2 3 12 13 23 123
Effets 27.25 -1 -6 -4 -0.25 -0.25 0.25 0

Les valeurs +1 et 1 ont t ici remplaces par leur signe respectif dans un soucis de simplification.
Cela correspond la notation de Yates, uniquement applicable lorsque tous les facteurs sont 2 niveaux.

Il est clair que selon lordre dans lequel les lignes sont disposes, on fait apparatre des successions
diffrentes de + et de -. Ainsi par exemple :

Tableau 4 - Plan factoriel complet (3 facteurs) avec ordre des expriences modifi
I x1 x2 x3 x1.x2 x1.x3 x2.x3 x1.x2.x3
5 + - - + + - - +
2 + + - - - - + +
3 + - + - - + - +
8 + + + + + + + +
1 + - - - + + + -
6 + + - + - + - -
7 + - + + - - + -
4 + + + - + - - -

Considrons uniquement les quatre premires expriences (5, 2, 3, 8).
27
Notons alors par un chiffre en italique le vecteur donnant la suite de +1 et de 1 du facteur
correspondant. On a :
(
(
(
=
1
1
1
1
1 ,
(
(
(
+
+
=
1
1
1
1
2 ,
(
(
(
+
=
1
1
1
1
3 et
(
(
(
+
+
+
+
=
1
1
1
1
I

On voit ainsi par exemple que la squence de signes de la colonne x1 et identique celle de la
colonne x2.x3.
Cela revient dire que 1=23 ; en effet, si seules taient considres les expriences 5, 2, 3 et 8, alors
on trouverait que les effets du facteur 1 et de linteraction 23 sont gaux. De mme, on voit que 2=13 et
3=12.

4.2.2. Contrastes, aliases
De manire gnrale les expressions des effets 1 et 23 scrivent:
[ ]
8 7 6 5 4 3 2 1
.
8
1
y y y y y y y y + + + + = 1
[ ]
8 7 6 5 4 3 2 1
.
8
1
y y y y y y y y + + + = 23
Lopration 1+23 donne :
[ ]
8 3 2 5
.
4
1
y y y y + + = +23 1
On retrouve ici le calcul des effets des facteurs 1 et 23 par lutilisation des essais 5, 2, 3 et 8.
De la mme faon, on trouve que [ ]
8 3 2 5
.
4
1
y y y y + + = +13 2 et [ ]
8 3 2 5
.
4
1
y y y y + = +12 3 .

Supposons que lon veuille raliser le plan dexpriences suivant (partie grise du tableau prcdent) :

Tableau 5 - Utilisation d'un plan factoriel fractionnaire (3 facteurs - gnrateur I=123)
Facteurs Rponse
I x1 x2 x3 y
5 + - - + 30
2 + + - - 37
3 + - + - 26
N

e
x
p
.

8 + + + + 16

I 1 2 3
Effets 27.25 -0.75 -6.25 -4.25

Ce plan ne permet plus le calcul des interactions entre facteurs principaux. Le calcul des effets des
facteurs 1, 2 et 3 se ralise par les formules :
1=1+23
2=2+13
3=3+12

On voit ainsi que les effets calculs dans ce nouveau plan sont en fait des sommes deffets : ce sont
des contrastes. On dit que les effets 1 et 23 sont aliass (1 et 23 sont des aliases).
Le plan ralis prcdemment est quivalent un plan 2
2
la diffrence que la troisime colonne ne
reprsente plus linteraction des deux premiers facteurs x1 et x2 mais un troisime facteur x3.
Afin de faire la diffrence entre les plans complets et les plans fractionnaires, on notera ces derniers
en faisant apparatre la dimension de leur plans complets dorigine. Le prcdent tableau dcrit donc un
plan 2
3-1
. Cela signifie que ltude porte sur trois facteurs par lutilisation dun plan fractionnaire 2
3-1
=4
expriences.
De faon gnrale, tout plan fractionnaire sera not 2
k-r
, o r dsigne alors le facteur de rduction
appliqu au plan factoriel initial.

Par consquent, on voit quil est possible de raliser des plans factoriels fractionnaires, cest--dire de
raliser moins dessais que le plan factoriel complet correspondant. Cependant, cette simplification se
paye de plusieurs faons :
il nest plus possible de calculer toutes les interactions entre tous les facteurs
Ce point nest pas fondamental si lobjectif est uniquement de dterminer linfluence
relative des facteurs entre eux (et donc de ne pas considrer les interactions
correspondantes).
les effets calculs dans des plans factoriels fractionnaires sont aliass
Cela signifie quils ne traduisent pas directement leffet des facteurs considrs
individuellement mais densembles de facteurs et dinteractions. Il est donc parfois
impossible de conclure de faon sre sur leffet dun facteur, puisque dans un contraste,
chaque terme peut se rvler influent. Cependant, il est couramment admis que, plus les
interactions sont dordre lev, moins elles sont supposes tre influentes. Il est
prfrable daliaser avec des interactions dordre lev en priorit. Cela amne la notion
de rsolution (cf. 4.2.4. ).

A ces remarques, on peut ajouter quon procde parfois au dsaliasage des effets en ralisant des
expriences supplmentaires. Ainsi, dans notre exemple, sil est possible dvaluer leffet du premier
facteur tel que 1=1-23, alors le recoupement avec 1=1+23 permet lvaluation de 1 et de 23.
Il se peut galement que lon nglige dlibrment certains termes dans les expressions des contrastes
(interactions dordre suprieur ou gal trois par exemple). Certaines conventions sont ainsi parfois
adoptes afin de simplifier les raisonnements ultrieurs.

4.2.3. Gnrateurs daliases
Dans lexemple prcdent du plan complet 2
3
, nous avons trouv que si lon ne considrait que les
expriences 5, 2, 3 et 8, on aboutissait aux aliases suivants :
1=23
2=13
3=12

Si on utilise maintenant lgalit vidente suivante (directement issue de la rgle de signes) :
I=1
2
=2
2
=3
2

Alors, on saperoit que les aliases prcdents pouvaient tre dduits dun unique gnrateur daliases :
I=123
Prendre un gnrateur daliases tel que I=123, revient choisir les expriences dun plan complet de
base 2
3
telles que leurs valeurs dans la colonne I soient gales la colonne x1.x2.x3.
Le gnrateur daliases de la moiti infrieure du tableau 4 est I=-123. Cela revient ainsi
slectionner les essais qui ont un contenu oppos (en signe) des colonnes I et x1.x2.x3. Lensemble de
points correspondant est complmentaire.
Ainsi, ladoption de tout gnrateur daliases scinde en 2 le prcdent plan. Il faut donc r aliases pour
couper en 2
r
un plan factoriel complet.

Les r gnrateurs dfinissant un plan fractionnaire sont qualifis dindpendants.
Lorsque r>1, on dfinit les gnrateurs dpendants des gnrateurs indpendants, en les multipliant
entre eux 2 2, puis 3 3, et ainsi de suite.

Enfin, on relvera le fait que, pratiquement, cest partir des gnrateurs (indpendants et
dpendants) que les aliases sont calculs. En effet, pour cela, ils doivent tre multiplis par les effets
individuels des k facteurs.
Par exemple, de I=123, on en dduit 1I=1123, do 1=23. De mme, en multipliant
respectivement par 2 et 3.
Les mmes calculs peuvent tre raliss pour le calcul des contrastes dinteractions.

4.2.4. Rsolution de plans fractionnaires
La rsolution dun plan fractionnaire 2
k-r
, est la longueur du plus petit gnrateur (indpendant ou
dpendant), dans le meilleur des cas.
29
Il existe gnralement plusieurs combinaisons de gnrateurs indpendants possibles, pour la
construction d'un plan fractionnaire de mme dfinition. Toutes ces combinaisons ne donnent pas la
mme rsolution au plan ainsi dfini, en raison du mode de dduction des gnrateurs dpendants.

Vus les points abords dans ce paragraphe et les prcdents, il apparat que les plans fractionnaires
ne peuvent prsenter un intrt que sils sont de rsolution suprieure ou gale III.
On recherche toujours la meilleure combinaison de gnrateurs indpendants pour obtenir la plus
grande rsolution possible du plan 2
k-r
. Cela permet ainsi daliaser les effets des facteurs principaux avec
ceux dinteractions dordre le plus lev possible.

Des considrations simples permettent de dduire certaines conclusions intressantes sur le calcul de
la rsolution :
la rsolution du plan 2
k-r
est infrieure ou gale la longueur du plus petit gnrateur ;
un plan 2
k-1
est de rsolution k ;
un plan 2
k-2
est de rsolution ( ) 3 . 2 k E ;
un plan 2
k-r
, avec des gnrateurs de longueurs homognes suprieures ou gales 4 est de
rsolution IV.

Pour des valeurs de r suprieures ou gales 3, les considrations sont beaucoup moins intuitives.

La rsolution dun plan est un nombre entier strictement positif.
Elle traduit directement le niveau dinteraction le plus bas, cens le plus influer dans lexpression des
contrastes, en plus des facteurs principaux.

4.2.5. Plans fractionnaires ralisables
Tous les plans fractionnaires sont nots 2
k-r
, indiquant quils sont directement issus de plans
factoriels complets 2
k
. Cette criture donne galement le nombre dexpriences N raliser par ce plan.
N tant obligatoirement strictement positif, il est ncessaire davoir dans un premier temps :

0<r<k

On ne retient pas ici la gnralisation de lcriture 2
k-r
pour r=0 des plans fractionnaires comme tant
celle des plans factoriels complets.

De plus, lors de la construction de plans fractionnaires, il faut exprimer les effets des r facteurs
supplmentaires en fonction des effets et interactions entre les k-r facteurs initiaux, cest--dire en
fonction de 2
k-r
-1 lments.
Il faut donc que la relation suivante soit respecte :

1 2
r k
r

Enfin, un plan fractionnaire nest intressant que sil est au minimum de rsolution de III. Il faut
donc viter de dfinir les r facteurs supplmentaires en fonction des effets simples des k-r facteurs
dorigine. Par consquent, la relation prcdente doit tre corrige comme suit :

( ) r k r
r k

1 2

A appliquer finalement le fait que r doit tre un nombre entier :

( )
|
.
|
\
|
+

2 ln
1 ln k
k E r
*
N r

On vrifie bien que les plans fractionnaires ne sont dfinis que pour des valeurs de k strictement
suprieures 2.
Cette relation permet galement de constater que les plans fractionnaires 2
k-r
permettent de calculer
des modles polynomiaux du premier ordre saturs, lorsque
x
k 2 1 = + avec x un entier (valant dans ce
cas k-r). Les plans 2
3-1
, 2
7-4
, 2
15-11
sont les plus courants.

Le tableau suivant donne les valeurs maximales rmax de r en fonction de k.

Tableau 6 - Valeurs minimales de r (rmax)
k 3 4 5 6 7 8 9 10 11
rmax 1 1 2 3 4 4 5 6 7

Dans la grille qui suit, sont donnes les rsolutions maximales des plans fractionnaires ralisables,
pour les premires valeurs de k.

Tableau 7 - Rsolutions maximales des premiers plans fractionnaires ralisables
Nombre de facteurs (k)
3 4 5 6 7 8 9 10 11
4 III
8 IV III III III
16 V IV IV IV III III III
32 VI IV IV IV IV IV r=7
64 VII V IV IV IV r=6
128 VIII VI V V r=5
256 IX VI V r=4
512 X VII r=3
N
o
m
b
r
e

d
e
x
p
r
i
e
n
c
e
s

(
N
)

d
u

p
l
a
n

f
r
a
c
t
i
o
n
n
a
i
r
e

1024 XI r=2
r=1

4.2.6. Cration de plans fractionnaires
Pour rsumer, les tapes successives suivantes sont ncessaires pour la construction dun plan
factoriel fractionnaire :
1. prise en compte du plan factoriel complet de base N=2
k
expriences ;
2. dtermination du nombre admissible dexpriences N=2
k-r
avec
max
0 r r < ;
3. recherche des meilleurs gnrateurs indpendants ;
4. dduction des contrastes (aliases).

4 4. .3 3. . A Au ut tr re es s p pl la an ns s

4.3.1. Plans de Plackett-Burman
Les matrices de Plackett-Burman ne sont autres que des matrices dHadamard [Droesbeke 97]
[Benoist 94].
MM. Plackett et Burman ont simplifi et systmatis leur construction. Aucune interaction entre
facteurs principaux nest considre. On peut ainsi les voir comme des plans factoriels fractionnaires de
rsolution III.
Ces plans sont prsents dans les Annexes.

4.3.2. Plans de Taguchi
Ces plans sont issus des travaux de M. Genichi Taguchi, pour lequel laspect applicatif et industriel a
t largement pris en compte [Pillet 94] [Vigier 88] [Garcia 95] [Melhaoui 98].
Ils permettent une utilisation simplifie des plans factoriels. Les modles utiliss dans ce cadre tant
dordre strictement infrieur 3, seules sont gardes les composantes ncessaires au calcul des coefficients
restants. Trs souvent, les interactions dordre 2 ne sont pas toutes calcules, apportant de fait des
allgements de calcul parfois intressants.

4.3.3. Autres
Il existe bien naturellement dautres plans dexpriences pouvant assurer la fonction de screening.
Cependant, dans la majorit des cas, ces alternatives supplmentaires ne possdent pas les avantages
des plans vus prcdemment.
31
On peut ainsi citer lexemple des plans factoriels 3 niveaux. Ils donnent la possibilit de faire
apparatre les effets quadratiques. Cependant, leur utilisation doit tre limit aux tudes o le nombre de
facteurs est restreint : chaque plan demande en effet 3
k
expriences.

4 4. .4 4. . O Ou ut ti il ls s

4.4.1. Analyse de la variance
Les plans prsents plus haut donnent la dfinition des expriences dans le DE. Les valeurs des
rponses en ces points doivent tre analyses afin de mesurer linfluence des facteurs et des interactions
sur les variations constates de la rponse.
La principale mthode rpondant cet objectif est lanalyse de la variance.
Des analyses graphiques peuvent galement tre utilises dans ce cadre (voir paragraphes suivants
4.4.2.2 et 4.4.2.3 notamment).

Lanalyse de la variance est appele Analysis of Variance dans la littrature anglo-saxonne ; son
appellation est couramment abrge en ANOVA.
Dune faon gnrale, en matire de rgression, le principe de lanalyse de la variance est de
subdiviser la variation totale en une composante factorielle relative lquation de rgression ou au
modle utilis, et une composante rsiduelle, la premire devant tre teste par rapport la deuxime.
[Droesbeke 97].
Les composantes factorielle et rsiduelle seront mathmatiquement reprsentes par des carrs
moyens, cest--dire des variances.

En dfinitive, lintrt de lanalyse de variance est de pouvoir tester de manire absolue linfluence des
facteurs sur les variations dune rponse donne.

Carrs moyens des facteurs et des interactions
La variance des facteurs sobtient en calculant la somme des carrs des carts (SCE) que lon divise par le
nombre de degrs de libert (ddl) associ au facteur f considr.

Le nombre de degrs de libert ddlf associ un facteur f est le nombre de niveaux (de valeurs distinctes)
quil prend lors de la ralisation du plan, minor de 1. On a donc dans tous les cas :
1 =
i i
Nn ddl
Dans le cas des plans factoriels complets, on a lgalit :
N Nn
k
i
i
=
=1

La somme des carrs des carts associe au facteur f vaut :
( ) ( )

= =
=
= =
f f
Nn
i
i f
Nn
i
i f
f f f
y y E SCE
1
2
1
2
. .
Avec :

=
=
N
i
i
y
N
y
1
.
1
la moyenne des rponses ;

f
f
Nn
N
= le nombre dexpriences pour lesquelles le facteur f prend un de ses Nnf niveaux (
f

est identique pour tous les niveaux du facteur pour les plans orthogonaux) ;

i
y la moyenne des rponses observes pour les expriences o le facteur f prend son i
me
niveau.

Pour les interactions mettant en jeu les facteurs f et g, la somme des carrs des carts vaut :
( )
= =
+ =
i j Nn
i
Nn
j
j i ij fg fg
y y y y SCE
1 1
2
.
Avec :

g f
fg
Nn Nn
N
.
= le nombre dexpriences pour lesquelles le facteur f prend un de ses Nnf niveaux
et lorsque le facteur g adopte un de ses Nng niveaux ;

ij
y la moyenne des rponses observes pour les expriences o le facteur f prend son i
me
niveau,
et o le facteur g prend son j
me
niveau ; lorsquil ny a que 2 facteurs et aucune rptition
dexpriences, on a
ij ij
y y = .
Le calcul des degrs de libert dune interaction est le produit des ddl des facteurs mis en jeu dans
cette interaction.
La gnralisation aux interactions dordre suprieur se fait de la mme faon.

On dduit alors la valeur des carrs moyens, associs au facteur ou linteraction considr(e) x,
comme tant :
x
x
x
ddl
SCE
CM =

Pour 2 facteurs, on peut crire la dcomposition suivante :
( ) ( ) ( ) y y y y y y y y y y
j i ij j i ij
+ + + =
On ralise alors une somme sur i et j, des 2 cts de lgalit mis pralablement au carr. La somme
se fait ainsi sur les niveaux de tous les facteurs.
On aboutit alors lquation de variance, dmontrant ladditivit des sommes des carrs des carts
(membre de droite) :

( )

= =
= =
x
Nn
i
Nn
j
ij t
SCE y y SCE
i j
1 1
2

Avec :
SCEt la somme des carrs des carts totale ;
SCEx (x dsignant un facteur ou une interaction) la somme des carrs factorielle.

Enfin, notons la relation donnant entre autre la valeur de ddlt : le nombre de degrs de libert total :

+ =
ns interactio
i
facteurs
i t
ddl ddl ddl
Il y a donc galement additivit des ddl.
Pour les plans orthogonaux, on a ddlt=N-1.

Variance rsiduelle
Lorsquil existe une erreur exprimentale non nulle, lquation de variance fait apparatre un nouveau
terme appel communment variance rsiduelle (SCEr) :

r x t
SCE SCE SCE + =

La dtermination de SCEr est ncessaire puisquelle intervient dans les tests composant lanalyse de
variance. En effet, cest cette variance rsiduelle que les SCEx sont compares afin de dterminer les
caractres significatifs des facteurs et des interactions x.
La variance rsiduelle est un point de comparaison. Elle doit traduire une variation des valeurs de
rponse, dont lamplitude est arbitrairement considre comme faible. Tout facteur influent doit donc
possder des caractristiques fortement diffrenties de celles de cette composante.

33
Dans le cas des expriences relles, la variance rsiduelle est prise comme tant un estimateur de la
variance exprimentale, qui traduit la variabilit inhrente des rsultats sur plusieurs ralisations
dexpriences identiques. Cependant, lutilisation dexpriences virtuelles exclut cette possibilit.
Dans le mme temps, lquation de variance doit toujours tre vrifie : la variance rsiduelle (SCEr)
est dans tous les cas une composante de la somme des carrs des carts totale (SCEt).

La variance rsiduelle est le plus souvent calcule comme tant la somme des carrs des rsidus, i.e. des
carts entre rponses mesures (y) et rponses calcules (ymod) correspondantes [Pillet 94] [Schimmerling
98].

Il sagit donc de :

( ) ( ) ( )
=
=
N
i
i i
r
y y SCE
1
2
mod
x x

x
i
est le vecteur des coordonnes du i
me
point dexprience du plan.

Le nombre de degrs de libert ddlr associ vaut N-p. On comprend en effet que les rsidus nexistent
que grce aux N-p (>0) expriences ralises en plus des p simulations absolument ncessaires au calcul
des p coefficients du modle.

On calcule donc un carr moyen rsiduel tel que :
( ) ( ) ( )
= =
N
i
i i
r
r
r
y y
p N ddl
SCE
CM
1
2
mod
1
x x

Calculer SCEr de cette manire permet en dfinitive de tester le caractre significatif des facteurs et
des interactions et dans le mme temps dvaluer la qualit du modle utilis (ymod).

Cette solution nest pas applicable lors de lutilisation de plans saturs (plans factoriels par exemple).
Dans ces cas prcis, certains auteurs ([Goupy 96], [Droesbeke 97], [Saporta 90]) proposent la construction
de la variance rsiduelle partir des interactions dont les variances (carrs moyens) sont les plus faibles ;
leurs valeurs doivent tre du mme ordre de grandeur.
Le calcul de la variance rsiduelle (ou carrs moyens rsiduels) peut alors scrire comme :
= =
i
i
r
r
r
ddl
SCE
ddl
SCE
CM
Les sommes des carrs des carts (SCE) et les nombres de degrs de libert (ddl) se rapportant aux
interactions choisies.
Cette solution permet de retrouver la premire criture de lquation de variance vue prcdemment :

43 42 1
r
SCE
x x
x t
SCE SCE
SCE SCE

+ =
=

De manire gnrale, si une telle variance rsiduelle ne peut tre construite, il est inutile de calculer
lANOVA : ses rsultats seraient inexploitables.
Par exemple, si les effets des interactions sont du mme ordre de grandeur que ceux des facteurs
principaux, ce dernier mode de construction de SCEr devient inapplicable car il nest alors plus possible
dassimiler la variance construite une composante rsiduelle ou de bruit.

Test de Fisher-Snedecor
Le test de Fisher-Snedecor permet de comparer 2 variances, par utilisation de la loi statistique dite de
Fisher (ou loi F). Celle-ci travaille sur un quotient de variances et prend en compte le nombre de degrs de
libert de chacune delles. Les variances concernes doivent tre celles de variables alatoires distribution
normale et variances constantes.
On calcule alors le ratio suivant, pour le facteur considr :
r
x
obs
CM
CM
F =
La variance associe au facteur ou linteraction tudi(e) (CMx) peut tre considre comme gale
la variance rsiduelle (CMr) si le rapport Fobs est faible, i.e. infrieur une valeur seuil statistique. On dfinit
ainsi lhypothse statistique H0, selon laquelle laffirmation prcdente est vraie. Si cest le cas, Fobs est alors
une valeur observe dune variable F de Fisher-Snedecor, ddlf et ddlr degrs de libert.
Lhypothse H0 doit tre rejete au niveau , lorsque :
( )
obs
F F P

Ou, de manire quivalente, quand :

1
F F
obs

Avec
1
F la fonction de rpartition, pour une probabilit cumule gale 1-.

Ainsi, par exemple, si lon obtient Fobs=62 pour ddlf=4 et ddlr=5, on trouve une probabilit infrieure
0.0002 pour que la variance du facteur soit du mme ordre que la variance rsiduelle. Il ny a donc que 1
chance sur 5278 environ pour que lhypothse H0 soit rejete tort : le facteur est significatif au niveau de
99.98%.

Tableau danalyse de la variance
Il est courant dutiliser un tableau runissant les rsultats des calculs prcdents.
Il peut prendre la forme suivante :

Tableau 8 - Tableau d'analyse de variance de screening
Sources de
variation
ddl
Somme des carrs
des carts
Carrs
moyens
Fobs
Probabilit
P
Source
influente ?
facteur 1 ddl1 SCE1 CM1=SCE1/ddl1 CM1/CMr

facteur f ddlf SCEf CMf=SCEf/ddlf CMf/CMr
P(FFobs) P< ?
facteur k ddlk SCEk CMk=SCEk/ddlk CMk/CMr
interaction fg ddlfg SCEfg CMfg=SCEfg/ddlfg CMfg/CMr

Variation rsiduelle ddlr SCEr CMr=SCEr/ddlr
Totaux ddlt SCEt

Reprenons lexemple numrique initialement prsent au 4.2.1.
Les sommes des carrs des facteurs et des interactions valent :

SCE1=8 SCE12=0.5
SCE2=288 SCE13=0.5
SCE3=128 SCE23=0.5
SCEt=425.5 SCE123=0

La gnralisation de lquation danalyse de variance nous permet en effet dcrire la relation donnant
la somme des carrs des carts associe linteraction entre les 3 facteurs :
35
( )
= = =
+ + + =
2
1
2
1
2
1
2
123
.
2 . 2 . 2
8
i j l
jl il ij l j i ijl
y y y y y y y y SCE
On observe bien que
123 23 13 12 3 2 1
SCE SCE SCE SCE SCE SCE SCE SCE
t
+ + + + + + = .

Le plan tant satur, le calcul de la variance rsiduelle ne peut ne se faire quen considrant les
interactions comme source de bruit. On calcule donc :
5 . 1
123 23 13 12
= + + + = SCE SCE SCE SCE SCE
r

4 1 1 1 1 = + + + =
r
ddl (chaque facteur et chaque interaction possde 1 degr de libert)

Et enfin les carrs moyens rsiduels :
375 . 0 = =
r
r
r
ddl
SCE
CM

Le tableau danalyse de variance est donc le suivant.

Sources de
variation
ddl
Somme des carrs
des carts
Carrs
moyens
Fobs
Probabilit
P
facteur x1 1 8 8 21.333 0.99011
facteur x2 1 288 288 768 0.99999
facteur x3 1 128 128 341.333 0.99995
Variation rsiduelle 4 1.5 0.375
Totaux 7 425.5

Daprs les rsultats de cette analyse de variance, les trois facteurs x1, x2 et x3 sont significatifs au
niveau de 99% environ. On na que 1% de risque de rejeter tort les hypothses dgalit avec la variance
rsiduelle.

Rejet de facteurs
Lanalyse de la variance value la probabilit que les variances des termes valuer soient
significativement diffrents de la variance rsiduelle.
Ces rsultats permettent donc de dterminer les facteurs et les interactions dont les probabilits sont
infrieures un niveau fix arbitrairement. Selon ce niveau de signification, ces termes peuvent tre
rejets, cest--dire supprims de ltude.
Cette opration est importante, car en diminuant le nombre de dimensions du problme, elle autorise
et favorise lutilisation de dmarches coteuses et gnralement dpendantes du nombre de facteurs : il
sagit principalement de lanalyse de RSM et des optimisations par plans dexpriences.

Le test de Fisher opr dans lANOVA tant ralis en prenant la variance rsiduelle comme
rfrence, ses rsultats en dpendent. Ainsi, le nombre de facteurs rejets peut tre diffrent suivant le
modle calcul, et par voie de consquence suivant le plan de screening ralis.

4.4.2. Reprsentation des effets

4.4.2.1 Reprsentation classique
Il est usuel de reprsenter leffet dun facteur par un segment de droite dont le coefficient directeur
vaut cet effet. Il sagit simplement de la transcription graphique des relations gnrales de calcul de ces
grandeurs.
La Figure 6 donne un exemple de reprsentation graphique dun effet. On y indique les valeurs
moyennes de la rponse lorsque le facteur prend respectivement ses 2 niveaux. Un segment de droite les
relie afin de souligner leur correspondance commune avec le mme facteur.

Dans le cas des interactions entre facteurs, seules celles dordre 2 sont facilement reprsentables et
aisment comprhensibles. Pour le mme exemple, linteraction 12 tait dduite de la relation suivante :
[ ]
C
p
C
p
E E

=
60 80
.
2
1
12
Ce qui est quivalent crire :
[ ]
bar T bars T
E E
1 2
.
2
1
= 12
La reprsentation des effets est alors directement issue de la Figure 5. Les 2 galits prcdentes sont
traduites de la manire suivante :

1
y
2
y
3
y
4
y
y
1 1 0
P
C
p
E
8 0
C
p
E
60

1
y
2
y
3
y
4
y
y
T
1 1 0
bars T
E
2
bar T
E
1

Figure 7 - Reprsentations graphiques quivalentes de l'interaction 12

4.4.2.2 Histogrammes
Le calcul du vecteur E des effets des facteurs et des interactions a t prsent au paragraphe 4.1.2. .
Ces donnes peuvent alors tre reprsentes par un histogramme, pour lequel chaque barre a une hauteur
proportionnelle la valeur de leffet correspondant.
Cet affichage particulier napporte que peu dintrt, si ce nest de faciliter la comparaison des effets
entre eux. Il nest en effet pas possible de savoir si un facteur reprsent par son effet est significatif ou
non.
Pour faire figurer cette information, il faut reprendre le principe de lanalyse de la variance, et
linverser. On cherche ainsi la valeur de leffet au-dessus duquel tout facteur et toute interaction pourrait
tre jug(e) influent(e), un niveau de signification donn selon le test de Fisher.
Dans le cas des plans dexpriences de screening o chaque facteur prend 2 niveaux, on a vu que :
( )
f
haut niv f
f
bas niv f
f
E E E = =
= = . .

Par consquent :
( )
2
2
1
2
.
.
2
f
i
i f
f f
E N
E
N
SCE
=
=

=
=

Considrons un facteur ou une interaction x. Ainsi, pour une probabilit s, on calcule la valeur Fs de
la fonction de Fisher 1 et ddlr degrs de libert. La valeur thorique de leffet limite vaut alors :

r
r
f
s
lim f
SCE
ddl
ddl
N
F
E . .
,
=

Utilisons nouveau lexemple numrique initi au 4.2.1. . Pour une probabilit de 95%, la valeur de
la variable de Fisher 1 et 4 degrs de libert vaut 7.7086. De l, la valeur de leffet limite : Ef,lim=0.6011.
Cette valeur est infrieure tous les effets des facteurs principaux (Tableau 3). Par consquent, tous
ces facteurs sont jugs influents avec ce niveau de signification.
37
Graphiquement, on obtient donc :
x1 x2 x3
0
1
2
3
4
5
6
7
-0.6011
0.6011
95%
95%

Figure 8 - Affichage des effets limites sur la reprsentation des effets des facteurs principaux

4.4.2.3 Graphe de Daniel
Le graphe de Daniel permet de tester graphiquement la normalit de la rpartition des valeurs des
effets [Goupy 96] [Droesbeke 97].
Pour cela, leurs valeurs sont reportes sur laxe des abscisses, alors que les ordonnes donnent une
chelle de probabilits distribution normale (obtenue par la transformation dune chelle rgulire
linaire de valeurs par utilisation de la fonction normale de rpartition inverse).
Si la rpartition des valeurs deffets est normale, les points ainsi reports doivent saligner sur une
droite. Si un effet ne vrifie pas cette condition, cela signifie quil sloigne de la normalit, et donc quil est
susceptible dtre significatif. Le facteur ou linteraction correspondant(e) peut donc tre influent(e) dans
ce cas.

4 4. .5 5. . R Re em ma ar rq qu ue es s

A la diffrence des tudes quantitatives (RSM et optimisations vues dans les paragraphes suivants),
seule lanalyse de screening est mme de prendre en compte simultanment les facteurs continus,
discrets et qualitatifs. Il faut cependant que le nombre de modalits des facteurs qualitatifs corresponde
avec le nombre de niveaux par facteur (Nni) grs par le plan de screening employ. Ainsi, si un plan
factoriel complet est choisi, les facteurs qualitatifs pouvant tre inclus dans ltude ne doivent avoir que 2
niveaux distincts.

La dtermination des facteurs pour la dfinition du problme dtude, se fait principalement dans la
perspective de lapplication de lanalyse de screening.
Il faut noter quil peut tre intressant dinclure des facteurs que lon pense sans effet sur les
rponses. Plus gnralement, il est prfrable dinclure trop de facteurs que den oublier. Ainsi titre
dexemple, lorsque certains facteurs ne sont pas pris en compte lors doptimisations, les solutions trouves
restent dpendantes des variations ventuelles des facteurs oublis ou ngligs.

Le choix du plan de screening doit se faire principalement en considrant les points suivants :
le nombre dexpriences (N) que lon est prt raliser ;
Cette information est donne pour les principaux plans de screening dans la partie Tables.
des termes du modle que lon pourra calculer grce ce plan ;
On considre ici plus particulirement les interactions entre facteurs. Ainsi, lemploi des plans de
Plackett-Burman ne permet pas de dduire des interactions alors que les plans factoriels complets
les calculent dans leur totalit Il est prfrable dans tous les cas de ne pas ngliger les
interactions. Bien entendu, ces informations se payent par un nombre suprieur dexpriences
raliser : il y a toujours compromis entre la connaissance dun systme et le cot requis pour
lacqurir. Comme il sera rappel plus bas, outre linformation reprsente par ces interactions, ces
dernires peuvent servir la construction de la variance rsiduelle. Ce point est particulirement
important dans les problmes o la variance exprimentale nest pas value, comme cest
souvent le cas lorsque les expriences sont virtuelles. Ainsi, dans ce contexte, lexprimentateur a
tout intrt prendre en compte le plus de termes de bruit possible, dans la perspective den
trouver parmi les interactions.
des contrastes et des aliases (pour les plans factoriels fractionnaires) ;
Le choix du plan factoriel fractionnaire pour une valeur de k donne est contingent sa
caractristique principale : la rsolution. Si elle est grande, les facteurs principaux seront aliass
des interactions dordre lev. Les risques que de telles interactions soient significatives sont
supposs dautant plus petits que lordre de ces interactions est grand.
Les interactions distinctes calculables par le plan diffrent suivant les valeurs du coefficient de
rduction r et des gnrateurs choisis. Il peut donc sagir de critres de choix. Cependant il faut
noter que la premire alternative modifie dans le mme temps le nombre dexpriences N du plan,
alors que la seconde peut influer sur la rsolution.
du type de calcul de la variance rsiduelle.
La variance rsiduelle utilise dans lANOVA, se calcule souvent partir de termes dinteractions
entre facteurs. Dans ces cas prcis, elle ne peut tre construite que si le plan de screening choisi
permet le calcul des interactions correspondantes.

Le plan de screening est gnralement ralis sur lensemble du DE : chaque facteur prend
successivement les valeurs de ses bornes de variation.
Il est clair que les variations non linaires (quadratiques par exemple) de la rponse ne sont pas
dtectes lors de ltude de screening, tant donn la disposition des expriences dans le DE.
Une solution serait de raliser le plan de screening dans une zone particulire, intrieure au DE.
Cependant, plusieurs problmes se posent alors. Ainsi principalement, les conclusions portant sur
linfluence des facteurs ne sont valides et exploitables que dans cette zone : il est impossible dextrapoler.
Par consquent, si lon rejte certains facteurs cause de leurs influences trop faibles, alors ils ne peuvent
ltre que dans cette zone. Ils peuvent en effet savrer influents dans dautres parties du domaine dtude.
Ainsi, il nest pas cohrent dappliquer des analyses de RSM et surtout des optimisations sur des parties
non couvertes par des plans de screening pralablement raliss, ou reposant sur lemploi de facteurs jugs
significativement influents par des plans particuliers localiss. Les rsultats ont de forts risques dtre non
reprsentatifs, voire errons.
La faon de rpondre ce problme est de travailler sur lensemble du DE. A cela 2 solutions. La
premire est celle cite plus haut : un seul plan sur le domaine. La seconde propose la scission du DE en
sous-domaines, et le calcul dun plan de screening en chacun deux. Cette dernire solution est plus
coteuse que la premire, mais elle permet de connatre beaucoup plus prcisment lvolution des
influences de facteurs dans tout ce domaine. Cet aspect est abord lors de la prsentation des mthodes
doptimisation exhaustives utilisant les plans factoriels (Chapitre 2, 3.4.1. ), ainsi que celle des matrices
dexpriences de type treillis (Annexe 1, 1.3.2. ).

Mthodologie des surfaces de rponse
39

5. Mthodologie des surfaces de rponse

La mthodologie des surfaces de rponse (MSR) constitue le second volet de la mthode des plans
dexpriences. On notera lutilisation courante du sigle dorigine anglo-saxonne RSM, mis pour Response
Surface Methodology.
Cette technique vise dterminer dune faon quantitative les variations de la fonction rponse vis--
vis des facteurs dinfluence significative [Goupy 99] [Box 87].

Elle vient ainsi sappliquer la suite de ltude de screening, puisque logiquement, elle nutilise que les
facteurs prcdemment jugs influents.

Historiquement, la MPE sest appuye sur lusage de modles de nature polynomiale (3.1. ). Dans ce
cadre, le placement des points dexpriences dans le DEP a t pens afin de confrer les meilleures
proprits ces surfaces de rponse. Cest ainsi que lerreur de modlisation se trouve au centre de ces
considrations, justifiant lutilisation courante des plans de RSM. Le recours la modlisation par relations
non polynomiales est galement possible.

Lobjet surface de rponse devient alors un support de connaissance, partir duquel une tude
plus complte de la fonction rponse peut tre mene. Cet aspect est prsent au chapitre suivant, dans le
cadre des optimisations par utilisation de la MPE.
Pour un grand nombre de facteurs, comprendre lvolution des valeurs de la rponse en fonction de
celles des facteurs est problmatique. Des outils mathmatiques spcifiques peuvent alors tre utiliss ces
fins.
Les modlisations de la fonction rponse peuvent galement servir de base la recherche de
conditions optimales. On aborde ici le concept doptimisation indirecte.

La mthode des surfaces de rponse doit donc tre vue comme un ensemble doutils permettant la
comprhension et lexploitation dobjets simplificateurs de la fonction rponse tudie, plus largement et
plus aisment exploitables.

Afin dillustrer les propos thoriques donns dans cette partie, un exemple didactique est donn au
paragraphe 8 de ce chapitre. Les notions abordes ici y sont utilises et les notations conserves. Dans la
mesure du possible, les rsultats sont analyss et recoups entre eux.

5 5. .1 1. . E Es st ti im ma at ti io on n d de es s c co oe ef ff fi ic ci ie en nt ts s d de es s m mo od d l le es s p po ol ly yn no om mi ia au ux x

On utilise les notations prsentes au dbut de la partie traitant de la modlisation (cf. 3. ).

Considrons un modle polynomial de la rponse, exprim en fonction de k facteurs.
Ce modle fournit la valeur de la fonction rponse ( ) x
i
y
mod
en tout point de coordonnes
i
x, pour
lequel on a :
( ) ( ) x x .
mod
i i
fx y =

Dans le cas de la ralisation dune srie de N expriences, la variable x prend des valeurs diffrentes.
Notons les
1
x,
2
x, ,
N
x.
On peut donc crire :

X y .
mod
=

Avec :
( ) ( ) ( ) [ ]
= x x x y
N
y y y
mod
2
mod
1
mod mod
K le vecteur des N valeurs de rponse modlise ;
( ) ( ) ( ) [ ]
= x x x X
N
fx fx fx K
2 1
la matrice dexpriences btie partir des N points
1
x,
2
x,
,
N
x, et permettant le calcul dun modle polynomial dordre o p coefficients. Le nombre de
facteurs est k. Une telle matrice dexpriences de RSM nest en gnral pas carre.

Dans la pratique, le problme est diffrent, dans la mesure o :
le vecteur des rponses y est connu puisquil contient les rponses exprimentales ;
le vecteur des coefficients est indtermin et doit tre estim ;
il peut exister une erreur de mesure (e), pour chaque valeur de y.

Dans un premier temps, on doit alors considrer la relation :

e X y + = .

Etant donnes les caractristiques propres aux expriences virtuelles, il rsulte quil ne peut exister
derreur de mesure ; le vecteur e est donc nul. En effet, lancer 2 fois la mme simulation dbouchera sur
lobtention de 2 valeurs de rsultats identiques.
Par consquent, on arrive la relation X y . = , et donc finalement
mod
y y = . Cette dernire
galit signifie que le modle passe exactement par les N points dexpriences. Mis part tout cas fortuit,
cela implique que les coefficients du modle sont dtermins de faon univoque, et donc que ces p
lments constituent la solution unique des N relations linaires donnes par X y . = . On en dduit que
p N = . La matrice X est donc ici sature (carre).
On remarque accessoirement que lon doit toujours avoir p N . Pour N<p, le systme ci-dessus
serait sous-dtermin.
Cependant, lgalit p N = nest quun cas particulier. Ainsi, pour les situations plus courantes o
N>p, les modles utiliss ne passent plus exactement par les points dexpriences. Les coefficients de tels
polynmes modlisateurs sont alors calculs (estims) afin de minimiser un critre donn. Celui des
moindres carrs est bien sr le plus connu et le plus utilis.
Pour chaque exprience existe alors un cart dit de modlisation, entre les valeurs mesures et calcules
de la rponse. Le vecteur reprsentera ces grandeurs.

On aboutit alors la relation qui suit :

X y + =
.

Mathmatiquement, le vecteur des rsidus se dfinit donc comme :

mod
y y =

Lobjectif est donc le calcul du vecteur
, valeur estime du vecteur .

Il est clair que lestimation
doit tre ralise telle que lerreur de modlisation soit minimale. Le

critre des moindres carrs traduit cette exigence par un objectif quivalent :

41
2
2
. X y = minimal

Pour cela on cherche trouver tel que :
0
.
=

Do on dduit lexpression connue de
dduite par la mthode des moindre carrs (pseudo-

inverse de Moore-Penrose) :

( ) y X X X . . .
1
=

On peut montrer les rsultats suivants :

constitue bien un minimum pour . ;

est un estimateur sans biais de ;

est, de tous les estimateurs sans biais de de la forme B.y, celui de variance minimale.

On remarquera que
constitue une gnralisation du concept deffet vu lors de la prsentation de la

technique du screening. Dans ce cadre, les matrices dexpriences avaient la proprit dorthogonalit,
cest--dire notamment, que
1
= X X . De l, on montre en effet que y X .
1
1
=
N
, puisque
N
N I X X . . = . Sous cette hypothse, on a donc bien E =
.

5 5. .2 2. . O Ou ut ti il ls s

5.2.1. Analyse canonique
Lorsque le modle polynomial utilis est dordre 2 (se reporter au 3.1. ), lanalyse canonique permet
de dduire aisment les caractristiques essentielles de cette modlisation.
Cette technique permet ainsi de connatre :
les coordonnes du point stationnaire du modle ;
la valeur du modle au point stationnaire ;
le type du point stationnaire (maximum, minimum, minimax) ;
lorientation des k axes principaux du modle dans le DE ;
les variations du modles, relativement chacun de ses axes principaux.
Ces informations sont obtenues par une simple tude des valeurs propres de la matrice B. Laspect
mathmatique complet est abord dans lannexe 3.

Dans la majorit des cas, cette tude doit prendre en compte les limites imposes par le domaine
dtude. Les bornes de variation des k facteurs peuvent ainsi compliquer la recherche dun optimum dcrit
par la modlisation polynomiale. Il faut alors recourir lanalyse canonique rcursive, dcrite dans lannexe 3.

Lexistence, la simplicit et la puissance de lanalyse canonique explique en grande partie lutilisation
trs courante des modles polynomiaux du second degr, malgr leurs dsavantages avrs.

5.2.2. Analyse de la variance sur modle
Lanalyse de la variance vue dans le cadre du screening peut galement servir tester la validit dun
modle entier.

La valeur de
donne au 5.1. peut tre obtenue par un raisonnement diffrent. On peut ainsi
concevoir la grandeur X y
.
mod
= comme le rsultat dune projection D-orthogonale de y sur le sous-
espace W de dimension , engendr par les variables correspondant chacune des colonnes de la
matrice dexpriences X.

La dfinition mathmatique dun projecteur D-orthogonal tant ( ) D X X D X X . . . . .
1

, on a donc :
( ) y D X X D X X y . . . . . .
1
mod
=

Pour le projecteur particulier
N
N
I D .
1
= , on retrouve bien lexpression de
dj cite.

Le fait que ymod soit une projection orthogonale de y provoque lapparition dun triangle rectangle de
cts y 0 y = ,
mod mod
y 0 y = et
mod
y y = . 0 est le point dorigine appartenant au sous-espace W.
Le thorme de Pythagore peut donc sappliquer :
y y y y . . .
mod mod
+ =

Dans lexpression de la rponse mesure y, le terme X . appartient lui aussi W mais est distinct
de ymod. On peut donc faire apparatre un second triangle rectangle de cts
mod
y y = , X y e . =
et X X .
. ; on peut donc crire de la mme faon :

( ) ( ) ( ) ( ) X X X X X y X y .
. . .
. . . . .
=

Le terme . se rvlera tre important dans les investigations qui vont suivre. Il reprsente la
somme des carrs des rsidus, i.e. des carts (entre les rponses mesures et les rponses calcules).
Suivant le contexte dtude, on pourra ainsi tre amen noter cette quantit par lcriture quivalente
SCE.

Les 2 relations prcdentes sont traduites graphiquement par la figure suivante.

0
. X
.
mod
X y =
y
e

W
D

Figure 9 - Reprsentation graphique des grandeurs de modlisation

Lanalyse de la variance sur modles complets repose entirement sur la relation vue plus haut :
y y y y . . .
mod mod
+ =

Le membre de gauche est appel somme des carrs totaux ; il est aussi not SCT.
Le terme
mod mod
. y y correspond la somme des carrs dus rgression (cest--dire au modle) ; il
est not galement SCR.
On a donc lgalit SCT=SCR+SCE, qui nest autre quune criture particulire de lquation
danalyse de variance.

De ces sommes de carrs, on dduit les carrs moyens en divisant par les degrs de libert
correspondants.
43
Ainsi, les carrs moyens CMR dus la rgression sont :
p
SCR
CMR =
Les carrs moyens CME associs aux carts valent :
p N
SCE
CME
=
CME est une estimation non biaise de la variance exprimentale
2
.

Le nombre de degrs de liberts total est ( ) N p p N = + , qui correspond bien au nombre de
simulations du plan dexpriences.

On effectue alors le test de Fisher-Snedecor. Pour le modle considr, on calcule le ratio :
CME
CMR
F
obs
=

La variance due la rgression (CMR) peut tre considre du mme ordre que la variance rsiduelle
(CME) si le rapport Fobs est infrieur une valeur seuil statistique. Lhypothse nulle H0 sous-jacente
revient dire que 0 = . Sous cette hypothse, Fobs est alors une valeur observe dune variable F de
Fisher-Snedecor, p et (N-p) degrs de libert.
Lhypothse H0 doit tre rejete au niveau quand :
( )
obs
F F P

On utilise couramment le tableau danalyse de variance pour runir ces informations.

Tableau 9 - Tableau d'analyse de la variance sur modle - Cas gnral
Source de
variation
ddl
Somme
des carrs
Carrs
moyens
Fobs
Probabilit
P
Source
influente ?
Rgression (modle) p SCR CMR CMR/CME P(FFobs) P< ?
Rsidus N-p SCE CME
Total N SCT

Dans pratiquement tous les cas, le modle utilis contient un terme constant ; dans les modlisations
proposes au paragraphe 3.1. , cela correspond au coefficient b0, cest--dire la moyenne y des rponses
mesures. Cette composante ntant daucun intrt dans lanalyse de variance, on le supprime.
Pour cela, la somme des carrs due la rgression est dcompose comme suit :
( ) 0 0
2 2
. . SCR SCR y N y N SCR SCR + = + =

O :
SCR0 est la somme des carrs due au terme constant b0 ; ce terme prend 1 ddl ;
SCR(-0) est la somme des carrs du aux autres coefficients ; p-1 ddl restent donc attachs cette
composante de SCR.

On aboutit un nouveau tableau danalyse de variance, la composante SCR0 ny tant pas reporte.

Tableau 10 - Tableau d'analyse de variance sur modle - Terme constant ignor
Source de
variation
ddl
Somme
des carrs
Carrs
moyens
Fobs
Probabilit
P
Source
influente ?
Rgression (modle) p-1 SCR(-0) CMR(-0) CMR(-0)/CME P(FFobs) P< ?
Rsidus N-p SCE CME
Total N-1 SCT


5.2.3. Mesures de qualit de modlisation
Il est primordial de connatre la qualit de la modlisation obtenue.
Comme pour lanalyse de variance, il y a comparaison du vecteur des rponses mesures y avec celui
des rponses calcules ymod. Dans tous les cas, la somme des carrs des carts (i.e. des rsidus) sert de
support.
Dans lannexe 3 sont prsents de tels coefficients de mesure dajustement (comme les R
2
et Q
2
).

5.2.4. Dtermination des meilleurs sous-modles
Un sous-modle est dduit dun modle (complet) par suppression dau moins un monme, mis
part la composante constante b0. On exclut la possibilit que le sous-modle soit uniquement gal b0.
Pour un modle initial p coefficients (donc p monmes), on compte donc ( )! 1 p sous-modles.

Ainsi par exemple, partir du modle
2 1 12 2 2 1 1 0
. . . . x x b x b x b b y + + + = , on dduit les sous-modles
1 1 0
.x b b + ,
2 2 0
.x b b + ,
2 1 12 0
. . x x b b + ,
2 2 1 1 0
. . x b x b b + + ,
2 1 12 1 1 0
. . . x x b x b b + + et
2 1 12 2 2 0
. . . x x b x b b + + . Il y en
a bien ( ) 6 ! 1 4 = .

Pour chacun des sous-modles, on calcule les coefficients dajustement (R
2
, Q
2
, etc.). On les classe
ensuite relativement aux valeurs dun de ces coefficients (ou une combinaison de leurs valeurs), dans
lordre dcroissant de qualit.
Parmi les meilleurs sous-modles, on repre les monmes absents. Cela permet de dduire les
facteurs principaux et les interactions correspondants, ayant le moins dinfluence sur la perte de qualit du
modle originel. Ils peuvent donc tre considrs comme peu influents vis--vis de la rponse puisque
leur absence naffecte que de manire limite la qualit et laspect prdictif de la modlisation.

5.2.5. Autres outils statistiques
Il existe dautres outils statistiques permettant ltude de la modlisation obtenue par le plan de RSM.
De la mme faon que pour les coefficients dajustement ou que pour lanalyse de variance sur modles,
les investigations supplmentaires pouvant tre menes portent sur ltude des rsidus.
Par exemple, on peut ainsi tre amen vouloir tester :
lhomognit des rsidus, cest--dire reprer les rsidus anormaux ;
linfluence de chaque exprience du plan ralis sur les coefficients du modle obtenu.
Ces aspects sont traits dans lannexe 3.

5.2.6. Reprsentations graphiques

Analyse du chemin optimal (Ridge Analysis)
On considre une hyper-sphre de dimension k, de rayon R et centre sur le point central du DE.
Cette analyse graphique permet alors de reprsenter lvolution de la valeur de loptimum de la
rponse en fonction de R. Les coordonnes de ces points optimaux peuvent galement tre reprsentes
en fonction de R.
Ces graphes donnent ainsi une reprsentation du chemin optimal, cest--dire de la courbe contenant
les meilleures valeurs de la rponse, pour tout R.
Une prsentation mathmatique de la mthode est donne dans lannexe 5.

Evolutions du modle selon des axes dtermins
Lorsque la valeur de k devient importante, la comprhension des variations des modles devient
difficile. On a ainsi souvent recours la reprsentation de ces modles dans les sous-dimensions du DE.

Une premire solution exploite ainsi les donnes fournies par lanalyse canonique (5.2.1. ). Celle-ci
permet notamment de connatre lorientation des k axes principaux des modlisations dordre 2.
On trace alors lvolution des valeurs de la rponse, sur chacun des k axes principaux. On comprend
facilement que les k courbes ainsi traces sont des paraboles.

Une seconde solution envisageable revient considrer les axes fixes dfinissant le domaine dtude.
45
Afin de simplifier cette reprsentation, les valeurs des facteurs dfinissant le DE sont centres et
rduites. Cela permet ainsi dafficher les k courbes dans unique graphe.

Ces deux solutions prsentes ci-dessus ne sont pas les seules.
Pour des tudes en coupe, on peut en effet fixer la valeur k-1 facteurs et regarder lvolution de la
rponse relativement au facteur restant.

5 5. .3 3. . R Re em ma ar rq qu ue es s
LANOVA et les coefficients dajustement permettent dvaluer la qualit de la modlisation. Ces
outils demandent de fait un surcot de N-p expriences, relativement au calcul se limitant lvaluation
du modle demandant p valuations de rponses. Il y a donc compromis : pouvoir valuer la qualit du
modle ou minimiser leffort pour le calcul de la modlisation.

De manire gnrale, il est souhaitable de ne pas raliser danalyse de RSM (ou doptimisations) pour
un nombre de facteurs suprieur 5. Ltude pralable du screening doit tre en mesure de slectionner et
de rejeter les facteurs non influents, afin daboutir cette recommandation.
Cette remarque sentend dans le cadre des tudes des systmes lectrotechniques.

Le choix du plan de RSM prsente de nombreux points communs avec la slection du plan de
screening vue plus haut. On pourra ainsi considrer :
le nombre dexpriences (N) que lon est prt raliser ;
le modle que lon veut calculer lissue du plan ;
lexistence de contraintes dans le DE ;
la possibilit de rcuprer des expriences dj ralises dans le DEP.

Le nombre dexpriences est li lexistence de rsidus. Ceux-ci permettent de construire lanalyse de
variance et de calculer les coefficients dajustement, dans le but dvaluer la validit du modle.

Optimalit

6. Optimalit

6 6. .1 1. . P Pr r c ci is si io on n d de es s c co oe ef ff fi ic ci ie en nt ts s

6.1.1. Variances et covariances des coefficients
On montre que la relation liant la variance des coefficients du modle postul et la variance
exprimentale
2
est :

( ) ( )
1
2 2
. .

= X X

( )
2
est la matrice de variance-covariance des coefficients.
La variance exprimentale a t ici remplace par la variance globale de rgression
2
galement
note SCE dans les paragraphes prcdents. Il a t vu en effet que SCE constituait une estimation sans
biais de
2
. On suppose
2
constant dans tout le domaine dtude (hypothse dhomoscdasticit).

La relation prcdente indique donc que la variance des coefficients, et donc la prcision sur leur
estimation est uniquement due :
la valeur de la variance de rgression
2
;
la matrice dexpriences X, et plus prcisment :
au placement des points dexpriences ;
au type de modle utilis.
Par contre, ( )
2
ne fait pas intervenir :
les valeurs de la rponse y ;
une localisation dans le domaine dtude.

Les variances des coefficients sont les termes diagonaux de la matrice ( )
2
, les covariances tant
donnes par les termes non diagonaux.
Pour calculer les prcisions relatives chaque facteur, seule la diagonale de ( )
2
est utile,
puisquelle permet de dduire les carts-types :

( )
ii i
.
=

O
ii
est le i
me
lment diagonal de la matrice de dispersion .

6.1.2. Fonction de variance
Lincertitude sur les coefficients estims du modle se reporte naturellement sur les valeurs du
modle lui-mme, par la relation fondamentale X y
.
mod
= .
Ainsi, pour un point P quelconque du domaine dtude possible, le modle prend la valeur :
( ) ( ) x x
.
mod P P
fx y =

On suppose ici que le placement des points dexpriences nintroduit pas derreur, et donc que
( )
P
fx x est une grandeur constante.
Ainsi la variance du modle au point P :
( ) ( ) ( ) ( ) ( )
P P P
fx fx y x x x .
.
2
mod
2

=

Optimalit
47
Do finalement :
( ) ( ) ( ) ( ) ( )
P P P
fx fx y x X X x x . . . .
1
2
mod
2

=

A la diffrence de la variance des coefficients, la variance du modle varie dans le domaine dtude,
et est donc une fonction des k facteurs.

On dfinit la fonction de variance
2
P
d au point P, comme suit :

( ) ( ) ( ) ( )
P P P P
fx fx d d x X X x x . . .
1
2 2

= =

Et par consquent :

( ) ( )
2 2
mod
2
.
P P
d y = x

Enfin, on peut dduire la notion de fonction derreur de prdiction dP au point P, comme tant la racine
carre de la fonction de variance.

( ) ( ) ( )
P P P P
fx fx d d x X X x . . .
1
2

= =

On constate ainsi que la fonction derreur de prdiction (pour un point P quelconque du DE) est un
rapport dcarts-types :

( ) ( )
rgression
caclule rponse
P
P
y
d
= =
mod
x

6 6. .2 2. . C Cr ri it t r re es s d d o op pt ti im ma al li it t
Il a t vu prcdemment que la prcision des coefficients, et donc la prcision des valeurs de la
modlisation, dpendaient uniquement :
de la valeur de la variance de rgression
2
;
du placement des points dexpriences (matrice dexpriences X) ;
du type de modle utilis (matrice dexpriences X).
Les valeurs mesures de la rponse nintervenant pas (le terme
2
ntant pas pris en compte), il est

donc possible de fixer la prcision des coefficients
uniquement par la spcification de la matrice

dexpriences X. Cette tape a donc lieu avant la ralisation des expriences.
Pour un type de modle donn, on recherchera donc le placement optimal des points
dexpriences pour lequel lerreur sur les rponses prdites est la plus faible possible.

On gardera lesprit que, dans tous les cas, un critre doptimalit ne sapplique que pour une
situation bien dfinie, cest--dire pour laquelle on a fix :
le nombre dexpriences du plan ;
le modle dinterpolation choisi.

En ralit, il existe plusieurs types dobjectifs finaux recherchs, qui savrent tre trs proches dans
leur finalit. En particulier, on peut ainsi tre amen :
minimiser la somme des variances des coefficients ;
minimiser la variance globale de tous les coefficients ;
minimiser la plus grande variance de coefficient ;
etc.

Optimalit
6.2.1. D-Optimalit
Daprs les quations vues prcdemment, la prcision obtenue sur les coefficients du modle est
dautant plus petite que les lments diagonaux de la matrice de dispersion sont petits (ou que les
lments diagonaux de la matrice dinformation X X . sont grands).
On rappelle que vaut de manire gnrale :

( )
( )
( ) [ ]
= =
* 1
. .
. det
1
. X X
X X
X X

O ( )
*
.X X dsigne la matrice des cofacteurs associe la matrice dinformation.
On comprend ainsi que les lments (diagonaux notamment) de sont dautant plus petits que le
dterminant de la matrice dinformation est grand.

Ainsi, un plan dexpriences construit partir dune matrice dexpriences X donne, est D-optimal (D
comme dterminant) si la matrice dinformation associe donne le plus grand dterminant possible.
On cherche alors la position
D
des points du plan telle que :

( ) { }
( ) { }
X X
det min
. det max
Arg
Arg
D
=
=

Le but est donc la minimisation de la variance globale de tous les coefficients.

Il est clair que plus un plan dexpriences comprend de points, plus la valeur de ( ) X X . det
augmente. La valeur du dterminant nest donc pas une mesure intressante, puisquelle ne prend pas en
compte l effort ncessit pour la dtermination de X. On dfinit ainsi plus justement le dterminant
norm ; il vaut : ( )
p
N X X . det . Grce cette mesure, il est alors envisageable de chercher le meilleur plan,
au sens de la D-optimalit, pour un modle donn, parmi un ensemble de N valeurs possibles.

6.2.2. G-Optimalit
Le critre G ( General variance ) ne travaille pas directement sur la variance des coefficients mais
plutt sur la prcision des valeurs prdites par la modlisation.
De faon gnrale, cela revient chercher la position
G

{ } { }
2
max min
P
DEP P
G
d Arg

=

6.2.3. A-Optimalit
A est mis pour Average Optimal .
Ce critre cherche minimiser la trace de la matrice de dispersion, cest--dire la somme des
variances des coefficients.
On cherche ainsi la position
A

( ) { } Trace min Arg
A
=

A priori, ce critre ncessite des calculs plus importants que dans le cas du critre D, du fait du calcul
obligatoire de linverse de la matrice dinformation. Cependant, cet inconvnient peut tre relativis si lon
emploie lestimation rcursive des inverses de matrices.

6.2.4. O-Optimalit
A la diffrence des prcdents critres, la O-optimalit nest pas quantifiable.
Un plan est O-optimal si la matrice dinformation (et donc de dispersion) associe est diagonale. Cela
suppose donc que la matrice dexpriences X soit orthogonale.

Optimalit
49
La O-optimalit est rapprocher de la presque orthogonalit (7.2.2. ).

6.2.5. Autres critres
Il existe de nombreux autres critres doptimalit, souvent drivs de ceux prsents prcdemment.
Dans tous les cas, ils se basent sur des considrations de prcision des coefficients de modle ou bien des
valeurs estimes par ce modle.
On pourra ainsi se rfrer, notamment aux rfrences suivantes pour plus dinformations [Droesbeke
97] [Box 87] [Benoist 94].

6 6. .3 3. . A Ap pp pl li ic ca at ti io on n d de es s p pl la an ns s o op pt ti im ma au ux x

6.3.1. Construction des plans optimaux
Les critres doptimalit vus plus haut constituent le fondement thorique pour la construction des
plans optimaux.
Dans un premier temps, il faut choisir la fonction de modlisation (lordre pour un modle
polynomial). Ensuite, il faut fixer des valeurs possibles pour le nombre dexpriences N du plan.
Aprs quoi, pour chacune des valeurs de N, il reste dterminer la position des N expriences dans
le DEP permettant lobtention de la meilleure valeur du critre doptimalit choisi.
Cette dernire tape, la plus importante, est assure par des mthodes spcialises.
Les plus connus sont les algorithmes dchange (de Fedorov ou de Mitchell). Ainsi, partir dun
ensemble de Nc points dexpriences contenus dans de DEP (points candidats), donn par lexprimentateur,
il y a choix au hasard de N expriences ; on en calcule le dterminant (norm). On vient alors changer une
exprience par une autre. Si cette opration est intressante (le nouveau dterminant est plus grand que
lancien), la nouvelle exprience est garde ; sinon, on revient la situation prcdente et laction est
nouveau tente avec un autre point candidat. Les algorithmes de Fedorov et de Mitchell se diffrentient
par les modalits de la procdure dchange.
Il faut galement citer les algorithmes de pondration pour la construction des plans optimaux dits
approximatifs. Il ne sagit plus ici de chercher un ensemble de N meilleures expriences au sens de
loptimalit voulue, mais plutt de quantifier lapport de chaque point candidat relativement ce critre
doptimalit. Ainsi, pour chacun dentre eux est dfinie une telle mesure ; sa valeur est obtenue par un
processus itratif convergent (algorithmes de Fedorov, de Wynn, de Torsney, [Droesbeke 97]).

Lensemble des points candidats est en gnral dduit dune grille k-dimensionnelle rgulire.
Dans tous les cas, cet ensemble ne doit comporter que des expriences ralisables. Par consquent, la
dfinition des points candidats doit tre subordonne celle des facteurs. Il est donc obligatoire de
prendre en compte les bornes de variation des facteurs ainsi que les ventuelles contraintes en position.
Le nombre de valeurs distinctes Nvdi prises par le facteur i doit tre un multiple (entier de
prfrence) de Nvii (nombre de valeurs intermdiaires dfini pour chaque facteur i) :

i i i
Nvi s Nvd . = 1 >
i
s

La grille la plus fine possible est telle que
i i
Nvi Nvd = , cest--dire lorsque 1 =
i
s ( k i , , 2 , 1 K = ).

La cration de lensemble des points candidats sera fera donc simplement de la faon suivante. On
calcule les
=
k
i
i
Nvd
1
coordonnes des points de la grille, dfinie selon les discrtisations Nvdi des k
facteurs. On rejte alors les points ne respectant pas les contraintes en position.
Cette procdure de slection peut tre plus complique si lon cherche connatre les points
candidats intrieurs un domaine tourn, dcal et de taille diffrente par rapport au DE originel. Ce cas
de figure se rencontre avec la mthode doptimisation par Zooms Rotations Translations, prsente
dans le deuxime chapitre.

Optimalit
La Figure 10 donne une reprsentation de principe de la disposition des points candidats dans un
DE contraint, en fonction des valeurs Nvd1 et Nvd2.
inf
b
1 inf
b
1 sup
b
2 su p
b
1
x
2
x
contrainte
candidats Points
1
Nvd
2
Nvd
Figure 10 - Reprsentation de la grille des points candidats (.)
dans un domaine born et contraint (ici Nvd1=22 et Nvd2=14)

6.3.2. Application fonctionnelle
Les plans optimaux sont particulirement intressants du fait de la qualit des modles qui en sont
dduits. Cela constitue leur raison dtre.
Certains plans bien connus possdent par nature certaines proprits doptimalit. Ainsi, par
exemple, les plans factoriels 2 niveaux par facteur possdent par nature lensemble de ces proprits.

De manire gnrale, il est prfrable dutiliser des plans dexpriences rpertoris, vu que leurs
proprits intrinsques sont connues.
De l, les critres doptimalit ne doivent tre appliqus pour la dtermination de plans optimaux,
que lorsque :
il est impossible de calculer dans sa totalit un plan dexpriences donn, du fait de la prsence de
contraintes en position dans le DE ;
on souhaite rutiliser des expriences dj ralises dans le DEP ;
on veut raliser un plan avec un nombre dtermin dexpriences ;
on souhaite utiliser des expriences particulires rpondant des critres dfinis ; cela peut
correspondre par exemple la rsolution de problmes inverses [Bgot 01].
Les deux premiers cas sont les plus couramment rencontrs dans la pratique. Ils peuvent mme tre
lis : on peut tre amen rparer un plan dont toutes les expriences nont pu tre ralises cause de
contraintes non prises en compte initialement. On peut ainsi calculer la position dexpriences
supplmentaires dans le DEP afin de compenser labsence des expriences non effectues, et ainsi
retrouver un niveau doptimalit convenable.

Grandeurs associes aux PE
51

7. Grandeurs associes aux PE

7 7. .1 1. . G Gr ra an nd de eu ur rs s c ca ar ra ac ct t r ri is st ti iq qu ue es s

7.1.1. Dimensions caractristiques
Les valeurs considres des facteurs sont ici centres et rduites (comprises entre 1 et 1).

Les dimensions caractrisant les PE sont obligatoirement lies la disposition des points
dexpriences dans le DE, et galement, de faon implicite, la qualit du modle dans ce mme domaine.
On dfinit ainsi 2 classes :
les plans dinfluence (hyper-)cubique ;
les plans dinfluence (hyper-)sphrique.

Dans le premier cas, tous les points du plan sont disposs sur la surface dun hyper-cube de ct a.
Cest typiquement la situation des plans factoriels.
1
x
2
x
a

Figure 11: Plan factoriel complet (k=2 - Nvi = 2) - exemple de plan influence hyper-rectangulaire

Lorsque les points dexpriences sont placs une mme distance dun point donn (qui est en
gnral lui aussi une exprience), le plan est dit dinfluence (hyper-)sphrique. On introduit alors la
grandeur R dsignant le rayon de ces (hyper-)espaces. Les plans simplexes, quiradiaux et de Doehlert sont
concerns.

1
x
2
x
R

Figure 12 : Plan de Doehlert (k=2 type D-1) - exemple de plan influence hyper-sphrique

A noter que certains plans appartiennent aux 2 classes sus-cites. Ainsi, tous les plans nayant que 2
niveaux par facteur ont cette particularit.
Enfin, il faut citer les plans Centraux-Composites, pour lesquels la distance entre les points axiaux
et le point central peut tre fixe arbitrairement. Si 1 = , le domaine dinfluence est hyper-cubique ; il est
hyper-sphrique si k = .

7.1.2. Volume du domaine dinfluence
Il sagit des volumes (Vp) hyper-dimensionnels couverts par les plans dinfluence hyper-cubique ou
hyper-sphrique. Dans le premier cas, ( ) a k V V
cube p
, = et dans le second ( ) R k V V
sphere p
, = .
cube
V et
sphere
V
sont donns dans lannexe 6.

7.1.3. Nombre dexpriences
Le nombre dexpriences (N) dun plan est implicitement donn par son mode de construction.
Cest une grandeur trs importante, puisquelle quantifie directement le cot ncessaire pour la
ralisation du plan, et par consquent pour lobtention dun modle exploitable.

7.1.4. Ordre maximal du modle pouvant tre calcul
Ce nest pas le nombre dexpriences vu ci-dessus qui dfinit lordre maximal du modle pouvant
tre dduit. Il serait faux, en effet, de penser quun plan factoriel complet 2 niveaux par facteur puisse
permettre de calculer des modles du second ordre, mme lorsque N=2
k
devient suprieur au nombre de
coefficients de tels modles ( ( ) ( ) 2 2 . 1 + + k k ).
Il faut plutt considrer la relation suivante :

( ) 1 min
max
=
i
Nvi o

Avec k i , , 2 , 1 K = .

7 7. .2 2. . P Pr ro op pr ri i t t s s c ca ar ra ac ct t r ri is st ti iq qu ue es s
Pour un plan dexpriences donn, on dfinit couramment certaines proprits fondamentales
caractrisant soit la matrice dexpriences elle-mme, soit la modlisation dduite.

7.2.1. Orthogonalit
Une matrice dexpriences X est orthogonale si sa matrice dinformation (et donc de dispersion)
associe est diagonale.
Lorthogonalit implique notamment que :
les coefficients du modle associ sont totalement dcorrls entre eux ;
les coefficients estims ont la meilleure prcision possible.
On notera que les plans factoriels complets et fractionnaires ainsi que les plans de Plackett-Burman
et de Taguchi sont construits partir des matrices dHadamard, qui sont orthogonales.

7.2.2. Presque orthogonalit
Une matrice dexpriences X est presque orthogonale si sa matrice dinformation X X . prive de sa
premire ligne et de sa premire colonne est diagonale. Ainsi, dans ce cas, les coefficients estims sont au
plus corrls avec le terme constant.

7.2.3. Variance maximale
La valeur maximale de la fonction de variance
2
P
d ( DEP P ) dans lensemble du domaine dtude
possible est parfois utilise comme critre de qualit de la matrice dexpriences X utilise.

7.2.4. Isovariance par rotation
Supposons le DE possdant un systme daxes dont lorigine concide avec le point central de ce
domaine.
Une modlisation bnficie dune isovariance par rotation si la variance de la prcision du modle est
inchange quelle que soit la rotation des axes de rfrence.
De manire quivalente, il y a isovariance par rotation si la fonction de variance reste constante en
tout point du DE distant de R (R=cste) avec le centre du domaine.
53

Les plans quiradiaux, les plans de Doehlert ainsi que les plans centraux-composites (pour un
placement particulier des points axiaux) ont cette proprit.

7.2.5. Prcision uniforme
Ce critre permet de caractriser une quasi-absence de variation de la fonction derreur de prdiction
sur la majorit du DE.

Exemple numrique (RSM)

8. Exemple numrique (RSM)

Cette partie constitue une illustration numrique des outils mathmatiques prsents dans le
Chapitre 1 ainsi que dans lAnnexe 3 auquel il se rfre. Cet exemple na de prtentions que didactiques.
Tous les rsultats prsents ci-aprs ont t obtenus par lapplication Sophemis dtaille au
Chapitre 3.

8 8. .1 1. . C Ca as s t tu ud di i

8.1.1. Hypothses gnrales
Nombre de facteurs : k=2

Bornes de variation des facteurs x1 et x2 :

Plan factoriel complet 3 niveaux par facteur

Coordonnes des N=9 points dexpriences :

Valeurs des rponses issues de la fonction
analytique unimodale reprsente ci-contre :

( )
( ) [ ] ( ) [ ]
2
2
2
1
2 1
4 . 0 . 2 6 . 0 . 2 1
2
,
+ + +
=
x x
x x f

Maximum au point [0.6,-0.4] o f=2.

Aucune contrainte

8.1.2. Optimalit
Le modle polynomial qui sera utilis est dordre 2. Il est de la forme :

2 1 12
2
2 22
2
1 11 2 2 1 1 0 mod
. . . . . . x x b x b x b x b x b b y + + + + + =

Si on avait voulu utiliser un modle dordre 3, il aurait fallu raliser au minimum 10 expriences, et le
plan factoriel 3 niveaux par facteur ne pouvait donc plus convenir. Il faut alors compter 4 niveaux par
facteur, si la solution du plan factoriel complet est garde.

binf bsup
x1 -1 1
x2 -1 1
Exp. 1 2 3 4 5 6 7 8 9
x1 -1 -1 -1 0 0 0 1 1 1
x2 -1 0 1 -1 0 1 -1 0 1
-1
-0.5
0
0.5
1
-1
-0.5
0
0.5
1
0.5
1
1.5
2
x1
x2
y
55
La matrice dexpriences X comporte donc p=6 colonnes (autant que de coefficients du modle) et
N=9 lignes (autant que dexpriences) :
(
(
(
(
(
(
(
(

=
1 1 1 1 1 1
0 0 1 0 1 1
1 1 1 1 1 1
0 1 0 1 0 1
0 0 0 0 0 1
0 1 0 1 0 1
1 1 1 1 1 1
0 0 1 0 1 1
1 1 1 1 1 1
X

Valeur de la matrice dinformation :

(
(
(
(
(
=
4 0 0 0 0 0
0 6 4 0 0 6
0 4 6 0 0 6
0 0 0 6 0 0
0 0 0 0 6 0
0 6 6 0 0 9
.X X

La matrice dinformation nest pas diagonale. La matrice dexpriences pour un modle postul dordre
2 nest en effet pas orthogonale, ni mme presque orthogonale.

Valeur de la matrice de dispersion : ( )
(
(
(
(
(
(

= =

4 1 0 0 0 0 0
0 2 1 0 0 0 3 1
0 0 2 1 0 0 3 1
0 0 0 6 1 0 0
0 0 0 0 6 1 0
0 3 1 3 1 0 0 9 5
.
1
X X
Valeur des principaux critres doptimalit :

Critre Valeur
A 2.1389
D 5184
D norm 0.0097546
E 18
Turning 1.4827

8 8. .2 2. . R R s su ul lt ta at ts s

8.2.1. Valeurs des rponses

Exp. x1 x2 y
1 -1 -1 0.16598
2 -1 0 0.17241
3 -1 1 0.1278
4 0 -1 0.61538
5 0 0 0.71429
6 0 1 0.29197
7 1 -1 0.81633
8 1 0 1
9 1 1 0.33058


8.2.2. Coefficients du modle

b0 0.69892
b1 0.28012
b2 -0.14122
b11 -0.10503
b22 -0.23756
b12 -0.11189

Les valeurs des coefficients dun modle polynomial dans le cadre de RSM peuvent tre rapproches de
celles des effets calcules pour le screening. Ltude de ces coefficients peut en effet donner des
indications importantes.
On constate ainsi que les lments les plus faibles sont relatifs aux monmes
2
1
x et
2 1
.x x .
Cependant, dans le mme temps, les termes quadratiques ont une importance non ngligeable, si on les
compare aux termes simples (x1, x2). Lutilisation dun modle du second ordre est ici indirectement
justifie. La mme conclusion aurait t donne par ltude de la variation du R
2
pour le passage du
modle dordre 1 celui dordre 2 : un forte amlioration peut en effet tre constate.
Le terme dcrivant linteraction entre les facteurs x1 et x2 nest pas ngliger non plus. Il faut bien noter
que cela ne signifie pas que ces variables soient corrles entre elles. On peut tout au plus sattendre
ce que le modle ait des variations significatives dans les directions de x1 et de x2 dans le mme
temps.

Si lexpression du modle est choisie telle que :
x B x b x . . .
0 mod
+ + = b y

Alors 69892 . 0
0
= b , [ ]
= 14122 . 0 28012 . 0 b et
(

=
23756 . 0 055945 . 0
055945 . 0 10503 . 0
B .

8.2.3. Grandeurs caractristiques

Facteur de redondance 1.4
Efficacit R 66.6667
R
2
0.9333
R
2
a 0.82221
Q
2
0.1902
0.13589
PRESS 0.67282
PRESS norm 0.27342

La valeur du facteur de dtermination R
2
est bonne sans tre excellente. Le modle est relativement bien
ajust, mais il faut sattendre des erreurs de modlisation significatives.
Cet aspect est renforc par la valeur importante de
, lestimation de la variance exprimentale. On

rappelle que cette grandeur est calcule partir des rsidus. Vu lcart entre les valeurs minimale et
maximale prises par le modle dans le DE, on voit ainsi que
reprsente environ 15% de cette

variation maximale.

Matrice de corrlation facteurs rponse (seuil critique : 0.5822) :

x1 x2 y
x1 1 3.7 10
-17
0.75275
x2 1 -0.3795
y symtrique 1

Cette matrice de corrlation nous enseigne que statistiquement, il nexiste aucun lien entre les 2 facteurs
x1 et x2. Il sagit du cas idal.
La corrlation entre le premier facteur x1 et la rponse y est quant lui significatif, selon une probabilit
de 90% (la valeur du seuil critique a en effet t calcule pour cette probabilit).
La liaison entre la rponse et le second facteur est moins forte.
57
Les diffrences de niveau de corrlation entre les 2 facteurs et la rponse (0.75275 et 0.3795)
confirment les influences respectives des 2 facteurs x1 et x2 dj suspectes avec lexamen des
coefficients b1 et b2 (coefficients du modle).

8.2.4. Analyse de variance

Source de
variation
ddl
Somme
des carrs
Carrs
moyens
Fobs
Probabilit
P
Rgression (modle) 5 0.77548 0.1551 8.3995 0.94441
Rsidus 3 0.055395 0.018465
Total 8 0.83088

Les p=6 coefficients du modle sont estims partir de N=9 expriences. Les rsidus bnficient de N-
p=3 degrs de libert.
La probabilit que la variance due la rgression soit significativement diffrente de celle des rsidus est
denviron 0.94.
Le modle peut donc tre jug de qualit suffisante, puisquil y a 94% de chance quil explique
effectivement les variations mesures de la rponse. En dautres termes, les variations de la rponse
exprimentale ne sont pas considres comme alatoires puisque lANOVA a justement montr
quelles sont significativement suprieures la dispersion exprimentale (i.e. en dfinitive la variance
exprimentale ou une de ses estimations).
On notera que lon retrouve la valeur 018465 . 0
2
= dans la colonne des carrs moyens pour les
rsidus.

Remarque : Lutilisation du test de Fisher-Snedecor dans cette situation peut tre critiquable, car on
utilise la variance dajustement comme variance rsiduelle, et que les hypothses duniformit
(homoscdasticit) de cette variance ainsi que la normalit des variables statistiques considres, ne sont
pas vrifies.

8.2.5. Analyse canonique
Valeur de la matrice des valeurs propres de la matrice B :
(
084573 . 0 0
0 25802 . 0
.

Les lments de tant tous ngatifs, le modle dordre 2 tudi dcrit par consquent un maximum.
Lordre de grandeur des valeurs propres permet de conclure une plus forte diminution des valeurs du
modle sur le premier axe principal que sur le second (environ 3 fois plus).

Valeur de la matrice de rotation M :
(

34345 . 0 93917 . 0
93917 . 0 34345 . 0
.

Lorsque k=2, la matrice de rotation est facile interprter, puisque thoriquement elle vaut :
( ) ( )
( ) ( ) (

=

cos sin
sin cos
M
Et o = 91 . 69 .
Cela signifie donc que le premier axe principal associ au modle est dcal de 69.91 (sens
trigonomtrique) par rapport laxe fixe du premier facteur (x1). Voir 2
me
figure au 8.3. .

Coordonnes xS du point stationnaire : [1.7058, -0.69896].
Valeur yS du modle au point stationnaire : 0.98719.

Le point stationnaire (cest--dire le point maximum thorique du modle si les bornes du DE ne sont
pas prises en compte) est situ hors du domaine dtude. Par consquent, le point du modle ayant la
plus grande valeur, et compris dans le DE, sera obligatoirement situ sur la frontire du domaine.
En second lieu, puisque le modle dcrit un maximum, le point du modle ayant la plus petite valeur (et
compris dans le DE) sera galement plac sur la frontire du domaine.

Valeurs extrmales dans le DE :

Coordonnes Valeur de y
Minimum xmin=[-1, 1] ymin=0.0468767
Maximum xmax=[1, -0.53274] ymax=0.941432
Les valeurs extrmales donnes par le modle sont prises par des points situs sur la frontire du DE
(confirmation de ce qui a t dit prcdemment). Elles ont t calcules par lanalyse canonique
rcursive.

8.2.6. Meilleurs sous-modles
Le classement des sous-modles partiellement report ici a t ralis suivant la valeur du coefficient
de dtermination R
2
uniquement.

Ecriture des sous-modles R
2

2 1 12
2
2 22
2
1 11 2 2 1 1 0
. . . . . . x x b x b x b x b x b b y + + + + + = 0.93333
2 1 12
2
2 22 2 2 1 1 0
. . . . . x x b x b x b x b b y + + + + = 0.90677
2
2 22
2
1 11 2 2 1 1 0
. . . . x b x b x b x b b y + + + + = 0.87306
2
2 22 2 2 1 1 0
. . . x b x b x b b y + + + = 0.8465
2 1 12
2
1 11 2 2 1 1 0
. . . . . x x b x b x b x b b y + + + + = 0.79748
2 1 12
2
2 22
2
1 11 1 1 0
. . . . . x x b x b x b x b b y + + + + = 0.78931
M
e
i
l
l
e
u
r
s

s
o
u
s
-
m
o
d
l
e
s

2 2 0
.x b b y + = 0.14402
2
2 22 0
.x b b y + = 0.13585
2 1 12
2
1 11 0
. . . x x b x b b y + + = 0.086828
2 1 12 0
. . x x b b y + = 0.060273
2
1 11 0
.x b b y + = 0.026554
M
o
i
n
s

b
o
n
s

s
o
u
s
-
m
o
d
l
e
s

Le meilleur modle reste le modle complet.
Le meilleur sous-modle est celui pour lequel le terme
2
1 11
.x b a t supprim. Ce monme semble ne
jouer quun rle limit dans la qualit dajustement, et indirectement dans les valeurs mmes du
modle. Cela a dj t vu avec ltude des coefficients du modle : la faiblesse de b11 avait dj t
constate.
Les mmes raisonnements peuvent tre raliss concernant les termes, dans lordre,
2 1 12
. . x x b ,
2
2 22
.x b ,
2 2
.x b , etc. Il faut toutefois relativiser les conclusions pouvant tre tires dune telle tude. Il faut en
effet toujours utiliser les valeurs correspondantes des critres de classement (ici R
2
) afin de juger de la
perte de qualit dajustement relativement au meilleur (sous-)modle.
Il est remarquer que le raisonnement inverse peut tre men. Les moins bons sous-modles
renseignent de la mme faon (et peut-tre plus simplement) sur les termes de moindre importance.

8.2.7. Rsidus

Exp. y mesur y calcul Rsidus ()
1 0.16598 0.10554 0.060436
2 0.17241 0.31377 -0.14136
3 0.1278 0.046877 0.080919
4 0.61538 0.60258 0.012801
5 0.71429 0.69892 0.015365
6 0.29197 0.32014 -0.028166
7 0.81633 0.88956 -0.073237
8 1 0.87401 0.12599
9 0.33158 0.38333 -0.052754

Lanalyse brute des rsidus napporte que peu dinformations.
Toutefois, on peut ici remarquer limportance remarquable des rsidus sur les expriences 2 (en
[-1, 0]) et 8 (en [1, 0]). Le modle est donc susceptible de ne pas correspondre correctement la fonction
relle dans les zones autour de ces points particuliers.
59

8.2.8. Influence des observations

Exp.
Rsidus
prdits
Rsidus
studentiss
Distance
de Cook
1 0.31081 1.0086 0.60207
2 -0.31805 -1.5604 0.43478
3 0.41616 1.3505 1.0793
4 0.028803 0.14131 0.0035657
5 0.03457 0.1696 0.0051367
6 -0.063373 -0.31091 0.017262
7 -0.37665 -1.2222 0.88413
8 0.28348 1.3908 0.3454
9 -0.2713 -0.8804 0.45873

Lanalyse des distances de Cook nous dsigne les expriences 3 et 7 comme ayant des influences trs
leves. En effet, elles sont respectivement la proximit des points de valeurs minimale et maximale
dans le DE.
Les forts rsidus studentiss (voisins de 2 ou de 2 pour les grandes valeurs de N) peuvent indiquer des
valeurs aberrantes. En ce sens, les expriences 2 et 8 se distinguent nouveau. Cependant la manire
dont ont t obtenues les valeurs exprimentales exclut toute possibilit derreur de manipulation.
Linformation reprsente par les rsidus studentiss (notamment) doit donc tre interprte trs
prudemment.

8 8. .3 3. . R Re ep pr r s se en nt ta at ti io on ns s g gr ra ap ph hi iq qu ue es s

Le modle dordre 2 peut tre reprsent par la figure classique suivante :
-1
-0.5
0
0.5
1
-1
-0.5
0
0.5
1
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
x1
x2
y

En utilisant une reprsentation en lignes de contours, il est possible de faire figurer les axes
principaux, langle de rotation de ces axes et le point stationnaire S.
-0.5 0 0.5 1 1.5 2
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1
x
2
x
2
z
1
z
S
= 91 . 69
DE
O
min
x
max
x

Cette figure montre deux caractristiques gnrales portant sur les modles du second ordre. En premier
lieu, on remarque lerreur importante entre la localisation de loptimum rel et celle du point
stationnaire S. Ainsi, le point stationnaire nest en gnral pas un bon estimateur de la position de
loptimum recherch. Par contre -2
me
point- le mme modle dordre 2 nous donne toujours une
estimation fiable de la direction de meilleures valeurs. Ce point est abord dans lannexe 3, 3.4.
Dans le cas prsent, une bonne solution consisterait se dplacer sur la droite joignant le centre O du
DE courant et le point stationnaire. On remarque galement que laxe principal (S,z2) pouvait
constituer une autre solution ce problme.

Reprsentation de la fonction derreur de prdiction
p
d pour le modle complet dordre 2 :

-1
-0.5
0
0.5
1
-1
-0.5
0
0.5
1
0.6
0.65
0.7
0.75
0.8
0.85
0.8975
x1
x2
F
o
n
c
.

E
r
r
.

P
r
e
d
.

Du fait du placement rgulier des points dexpriences dans le DE, la fonction derreur de prdiction est
symtrique.
Sa plus grande valeur est atteinte chaque coin du DE ; elle vaut environ 0.8975. Cette grandeur est
souvent assimile un critre de qualit de modlisation. On voit ainsi que cette valeur maximale est
infrieure 1 ; par consquent le modle permet destimer les valeurs de la rponse y sur tout le
domaine dtude.
Dans le cas prsent o lon considre une fonction analytique, lerreur exprimentale
est nulle. Etant

donn la relation ( )
2 2
mod
2
.
p
d y = vue au paragraphe 6.1, la variance du modle est galement nulle.

Conclusion
61

9. Conclusion

Dans une premire partie (paragraphe 2.), ce chapitre sest attach dfinir les composantes
communes ltude des dispositifs lectrotechniques.
Ainsi, en tout premier lieu, les diffrents types de variables ont t recenss et prsents : il sagit
principalement des facteurs et des rponses. Une distinction supplmentaire a t applique sur les
facteurs eux-mmes, afin de tenir compte des donnes quil reprsentent : leur nature peut tre continue,
discrte ou qualitative.
La dfinition des facteurs induit alors celle du domaine dtude (DE).
Cet espace dintrt peut tre soumis, dans certains problmes, des contraintes qui peuvent tre soit
en position , ou soit en valeurs atteintes . Si de telles limitations sont actives, le DE prend alors la
forme dun domaine dtude possible (DEP).
A la suite de ces considrations gnrales, est abord laspect particulier constitu par la nature
virtuelle des expriences utilises i.e. des simulations lments finis principalement relativement aux
expriences relles ralises sur dispositifs concrets. Cette partie fait apparatre un point essentiel : les
expriences virtuelles sont exemptes derreurs de mesure, mais impliquent nanmoins lexistence dune
erreur exprimentale non nulle. Celle-ci repose sur la variabilit inhrente la ralisation de toute
exprience, o le contexte et lenvironnement exprimental varient.

Le deuxime volet de ce chapitre (paragraphe 3.) a port sur un aspect fondamental de la mthode
des plans dexpriences (MPE) : la modlisation. Cela comprend les principales techniques mathmatiques
utilises pour exprimer les variations des rponses en fonction des valeurs des facteurs.
A ce stade, une distinction a t faite entre les modlisations polynomiales et les autres ntant pas
bases sur des relations analytiques simples (fonctions multi-quadriques, lments diffus, etc.).

Les paragraphes 4. et 5. portent sur la prsentation des 2 principales composantes de la MPE :
respectivement lanalyse de screening et la mthodologie des surfaces de rponse (RSM). Elles
correspondent une dmarche successivement de type qualitatif puis quantitatif, ce qui constitue le
fondement dune mthodologie dutilisation de MPE.
Lanalyse de screening est majoritairement traite par lintroduction aux plans factoriels, complets et
fractionnaires. Cest ainsi que sont abords successivement les notions deffet de facteurs et dinteractions,
dalias, de contraste ainsi que de rsolution. La construction et lexploitation de lanalyse de variance
(ANOVA) constituent la partie suivante. Elles prcdent la prsentation rapide des modes de
reprsentation graphique associs la technique de screening.
La mthodologie des surfaces de rponse (RSM) est traite dans la partie suivante. Elle rutilise les
notations matricielles utilises prcdemment dans les tudes de screening, puis les adapte pour grer les
modles polynomiaux dordre suprieur 1. Lestimateur des moindres carrs est introduit ce stade. La
prise en compte du vecteur des rsidus constitue ici le point central pour la dtermination de la qualit des
modles dduits des plans dexpriences. Cette grandeur permet en effet le calcul de lANOVA sur
modles, ainsi que des coefficients dajustement tels que R
2
, Q
2
, Press, etc. Enfin, certaines techniques
spcifiques aux modles polynomiaux du second ordre sont abordes ; cela comprend lanalyse canonique
ainsi que lanalyse du chemin optimal. Pour allger le contenu de cette partie, les prsentations de certains
de ces outils priphriques, attachs lanalyse des surfaces de rponse, ont t places dans lannexe 3.

La partie suivante (paragraphe 6.) aborde la notion doptimalit, aprs avoir pralablement donn la
dfinition des variances des coefficients et celle de la fonction de variance. Les principaux critres
doptimalit sen dduisent alors. Lintrt de cette notion pour la construction de plans particuliers est
alors dcrit.

Le paragraphe 7. de ce chapitre se concentre sur le recensement et la dfinition des caractristiques
intrinsques des plans dexpriences, telles que les grandeurs et les proprits les dfinissant.

Enfin, le 8
ime
et dernier paragraphe prsente un exemple numrique comment de lutilisation de la
mthodologie des surfaces de rponse. Tous les outils introduits dans la partie 5. et dans lannexe 3 sont
ici appliqus.

Les dveloppements mens dans ce chapitre ont prsent les fondements, les principes ainsi que les
possibilits danalyse de la mthode des plans dexpriences.
Ses multiples aspects en font une mthode danalyse parfaitement adapte ltude des systmes.
Cela sexplique principalement par sa structure en 2 tapes : lune est qualitative (screening) et lautre
quantitative (RSM). La premire tape correspond ltude des variables (facteurs et rponses) : on
cherche connatre leurs influences relatives et absolues, simples et mutuelles. Cela permet gnralement
de simplifier la dfinition du problme pos lorigine, par le rejet de certains facteurs. On peut alors
initier une analyse plus fine pour comprendre les variations des rponses suivant celles des facteurs. Il
sagit ici typiquement de la mthodologie des surfaces de rponse.
Cependant, cette dernire ne travaille a fortiori que sur le produit dun plan particulier, ralis dans
une zone dfinie du DE. Par consquent, son utilisation des fins de recherche de conditions optimales
est malaise, et surtout potentiellement limite.

Le chapitre suivant se propose dtendre cet emploi, en se servant de la RSM, et plus gnralement
de la mthode des plans dexpriences, comme fondement des processus doptimisation proprement
parler.
Les stratgies prsentes auront ainsi lavantage de conserver les points forts de la MPE, cest--dire
principalement :
de la prise en compte des facteurs continus et discrets dans la mme tude ;
de la gestion des contraintes, notamment par le recours aux plans optimaux ;
du calcul de surfaces de rponse pour chaque plan ralis ;
de la possibilit de grer la prsence derreurs exprimentales dans le calcul des modles.
Conclusion
63

Chapitre 1

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Chapitre 1

Uploaded by

Copyright:

Available Formats

C

, valeur estime du vecteur .

doit tre ralise telle que lerreur de modlisation soit minimale. Le

dduite par la mthode des moindre carrs (pseudo-

constitue bien un minimum pour . ;

est un estimateur sans biais de ;

constitue une gnralisation du concept deffet vu lors de la prsentation de la

. ; on peut donc crire de la mme faon :

constant dans tout le domaine dtude (hypothse dhomoscdasticit).

ntant pas pris en compte), il est

uniquement par la spcification de la matrice

, lestimation de la variance exprimentale. On

reprsente environ 15% de cette

est nulle. Etant

You might also like