Vincent Trinquet IVP 2 Avril 2007 - EIVP
Vincent Trinquet IVP 2 Avril 2007 - EIVP
Vincent Trinquet IVP 2 Avril 2007 - EIVP
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
<strong>Vincent</strong> <strong>Trinquet</strong> <strong>IVP</strong> 2<br />
<strong>Avril</strong> <strong>2007</strong>
TER : Les plans d’expériences<br />
Les plans d’expériences ont pour but d’optimiser l’organisation des essais expérimentaux pour obtenir<br />
le maximum de renseignements avec le minimum d’expériences et la meilleure précision possible. Ils<br />
permettent dans le cas de plans complets d’obtenir l’influence de facteurs sur la réponse ainsi que leur<br />
interaction et dans le cas de plans fractionnaires d’avoir une idée de l’influence de chacun des facteurs<br />
influents.<br />
Dans un premier temps, nous présenterons les plans d’expériences complets à deux niveaux et deux<br />
facteurs.<br />
Puis nous nous intéresserons aux plans à deux niveaux et trois facteurs en commençant par le plan<br />
complet puis par le plan fractionnaire avec pour chacun une application.<br />
Ensuite, nous examinerons les plans à deux niveaux et cinq facteurs en prenant pour exemple<br />
d’application la résistance mécanique du bois en fonction du protocole de fabrication.<br />
Dans une quatrième partie, nous élaborerons des réflexions sur les plans d’expériences complets à deux<br />
niveaux, en analysant les avantages, notamment concernant la variance, et les inconvénients.<br />
Dans une 5ène partie, nous évoquerons les plans à 3 niveaux.<br />
Enfin, nous ferons une application sur Excel.<br />
I Introduction aux plans à deux facteurs<br />
Ex : plan complet à deux facteurs<br />
On étudie le rendement d’une réaction chimique en fonction de deux facteurs, à savoir la température et<br />
la pression. On cherche par exemple à obtenir le rendement maxi sachant que la température varie entre<br />
60 ° et 80 ° C et la pression entre 1 et 2 Bars.<br />
Pour cela on considère le rendement comme la réponse que l’on note y et qui dépend de deux facteurs<br />
(variables), à savoir la température notée x1 et la pression notée x2.<br />
( 1, 2 ) x x f y = avec x1 ∈[ 60 ° C ; 80°<br />
C]<br />
∈ 1bar;<br />
2 bars<br />
Il s’agit d’une fonction de deux variables<br />
x2 [ ]<br />
On suppose que le domaine d’étude est :<br />
° C ; 80°<br />
C 1 bar; 2 bars tout entier<br />
D= [ 60 ] × [ ]<br />
1
a) La démarche « naturelle », sans plan d’expériences<br />
Naturellement, le chimiste est tenté de faire varier chacun des deux facteurs indépendamment c’est-àdire<br />
de fixer l’un et de faire varier l’autre. Ainsi, l’expérimentateur a tendance à fixer la pression à sa<br />
valeur moyenne, à savoir 1,5 bars et à étudier le rendement pour une température de 60°C et une de 80°C<br />
(et peut-être une de 70°C). Puis il fixe la température à sa valeur moyenne ( 70°C) et mesure le rendement<br />
quand la pression est respectivement à sa valeur basse (1 bar) et à sa valeur haute (2 bars).<br />
Il a ainsi réalisé les 5 essais suivants :<br />
Il se rend compte que à pression constante (fixée à 1,5 bar), le rendement croît avec la pression.<br />
Ainsi il se doute que le rendement a des chances d’augmenter quand la pression et la température croissent<br />
simultanément. Pour le vérifier, il réalise une sixième expérience en fixant la pression à 2 bars et la<br />
température à 80°C.<br />
b) La démarche novatrice, par les plans d’expériences<br />
, ) x f y = avec<br />
( 1 2 x<br />
⎧x1<br />
= T°<br />
⎪<br />
⎨x2<br />
= pression<br />
⎪<br />
⎩y<br />
= rendement<br />
On approxime la réponse par une fonction polynomiale de type : y= b0 + b1 x1 + b2 x2 + b12 x1 x2 avec<br />
b0 , b1, b2 et b12 des constantes.<br />
Cela revient à supposer que, à x1 fixé, y varie linéairement en fonction de x2 et que, à x2 fixé, y varie<br />
linéairement en fonction de x1, c’est-à-dire que toutes les coupes verticales, parallèles aux axes, de la<br />
surface de réponse font apparaître des droites.<br />
Par contre, les coupes verticales non parallèles aux axes peuvent faire apparaître des courbes autres que<br />
des droites car il existe un terme croisé<br />
Le plan d’expériences complet consiste à faire varier les deux facteurs simultanément.<br />
L’expérimentateur réalisera 4 essais au lieu de 7 :<br />
Il mesurera le rendement pour - T= 60°C, P= 1 bar<br />
- T= 60°C, P= 1,5 bars<br />
- T= 80°C, P= 1,5 bars<br />
- T= 80°C, P= 2 bars<br />
2
Pour plus de commodité, on peut centrer et réduire les variables. Pour cela, on utilise le changement de<br />
variables suivant :<br />
[ a,<br />
b]<br />
⎯⎯→<br />
[ −1;<br />
+ 1]<br />
⎧<br />
⎪<br />
⎨<br />
⎪x<br />
⎩<br />
1<br />
⎯⎯→<br />
et idem pour x2.<br />
~ 2x1<br />
− ( b + a)<br />
x1<br />
=<br />
b − a<br />
Dans notre exemple, x1 ∈[ ° C ; 80°<br />
C]<br />
60 d’où a = 60°C, b = 80°C<br />
2x1<br />
− ( 80 + 60)<br />
2x<br />
=<br />
=<br />
80 − 60<br />
− ( 140)<br />
20<br />
~ 1<br />
x 1<br />
de même, x2 ∈ [ 1bar;<br />
2 bars]<br />
~ x<br />
2<br />
1<br />
2x2<br />
− ( 2 + 1)<br />
2x2<br />
− ( 3)<br />
= = = 2x<br />
2 −1<br />
1<br />
[ −1;<br />
+ 1]<br />
, ~ ∈[<br />
−1;<br />
+ 1]<br />
~ x ∈ x<br />
2<br />
2<br />
− 3<br />
~ x1<br />
= ± 1(<br />
2niveaux)<br />
Dans le plan d’expériences ~ x = ± 1(<br />
2niveaux)<br />
L’expérimentateur réalise 2 2 = 4 essais :<br />
2<br />
essai n°1 essai n°2 essai n°3 essai n°4<br />
~ x1<br />
= −1<br />
~ x1<br />
= + 1<br />
~ x1<br />
= −1<br />
~ x1<br />
= + 1<br />
~ x = −1<br />
~ x = −1<br />
~ x = + 1<br />
~ x = + 1<br />
2<br />
Ce qui correspond à :<br />
2<br />
T = 60°C T = 80°C T = 60°C T = 80°C<br />
P = 1bar P = 1 bar P = 2 bars P = 2 bars<br />
ymod =a0 + a1 x1+ a2 x2+ a12 x1 x2<br />
avec ymod = réponse du modèle<br />
y1=f( -1 ; -1) : rendement de l’essai 1<br />
y2=f( +1 ; -1) : rendement de l’essai 2<br />
y3=f( -1 ; + 1) : rendement de l’essai 3<br />
y4=f(+1 ;+ 1) : rendement de l’essai 4<br />
3<br />
2<br />
2
cad<br />
y1= a0 + a1 (-1)+ a2 (-1) + a12 (-1)(-1)<br />
y2= a0 + a1(1) + a2 (-1) + a12 (1) (-1)<br />
y3= a0 + a1 (-1)+ a2 (1) + a12 (-1) (1)<br />
y1= a0 + a1 (1) + a2 (1) + a12 (1) (1)<br />
cad<br />
y1= a0 - a1 - a2 + a12<br />
y2= a0 + a1 - a2 - a12<br />
y3= a0 - a1 + a2 - a12<br />
y4= a0 + a1 + a2 + a12<br />
y1, y2, y3 , y4 sont mesurés expérimentalement donc connus.<br />
On en déduit a0, a1, a2, a12 grâce à ce système de 4 équations à 4 inconnues<br />
Son expression matricielle est :<br />
⎛ y1<br />
⎞ ⎛1<br />
⎜ ⎟ ⎜<br />
⎜ y2<br />
⎟ ⎜1<br />
⎜ ⎟ =<br />
y ⎜<br />
3 1<br />
⎜ ⎟ ⎜<br />
⎜ ⎟ ⎜<br />
⎝ y4<br />
⎠ ⎝1<br />
−1<br />
+ 1<br />
−1<br />
+ 1<br />
−1<br />
−1<br />
+ 1<br />
+ 1<br />
+ 1⎞⎛a<br />
⎟⎜<br />
−1⎟⎜<br />
a<br />
−1⎟⎜<br />
a<br />
⎟⎜<br />
+ 1⎟⎜<br />
⎠⎝a<br />
⎛ y1<br />
⎞ ⎛a<br />
⎜ ⎟ ⎜<br />
⎜ y2<br />
⎟ ⎜a<br />
y=X a avec y= ⎜ ⎟ , a =<br />
y<br />
⎜<br />
3 a<br />
⎜ ⎟ ⎜<br />
⎜ ⎟<br />
⎝ y ⎜<br />
4 ⎠ ⎝a<br />
⎛1<br />
⎜<br />
⎜1<br />
et X= ⎜1<br />
⎜<br />
⎝1<br />
−1<br />
+ 1<br />
−1<br />
+ 1<br />
_1<br />
−1<br />
+ 1<br />
+ 1<br />
+ 1⎞<br />
⎟<br />
−1⎟<br />
−1⎟<br />
⎟<br />
+ 1<br />
⎟<br />
⎠<br />
0<br />
1<br />
2<br />
12<br />
0<br />
1<br />
2<br />
⎞<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎠<br />
12<br />
⎞<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎠<br />
On remarque que, par construction,<br />
- la première colonne de la matrice X n’est composée que de 1<br />
- la 2 ème colonne de la matrice X est composée de signes de x1<br />
- la 3 ème colonne de la matrice X est composée de signes de x2<br />
- la 4 ème colonne de la matrice X est composée de signes de x1x2<br />
Ceci est dû au fait que ymod =a0 + a1 x1+ a2 x2+ a12 x1 x2<br />
En renversant le système, on trouve a :<br />
a=X -1 y avec X -1 =matrice inverse de X<br />
Comme X est une matrice d’Hadammard, X –1 peut être obtenue très facilement (cf annexe).<br />
4
En effet les matrices d’Hadammard ont la propriété suivante : tXX= n I n avec n = taille de la matrice<br />
carrée<br />
D’où, en multipliant par X -1 à droite, tXX X -1<br />
= n I n X -1 = n X -1<br />
cad tX== n X -1<br />
1<br />
tX<br />
X –1 = n<br />
Ici n=4 d’où X –1 1<br />
= tX<br />
4<br />
⎛ 1<br />
a= X –1 y<br />
1<br />
=<br />
4<br />
⎜<br />
⎜−<br />
1<br />
⎜−<br />
1<br />
⎜<br />
⎝+<br />
1<br />
cad :<br />
1<br />
a0<br />
= ( y1<br />
+ y2<br />
+ y3<br />
+ y4<br />
)<br />
4<br />
1<br />
a1<br />
= ( −y1<br />
+ y2<br />
− y3<br />
+ y4<br />
)<br />
4<br />
1<br />
a2<br />
= ( −y1<br />
− y2<br />
+ y3<br />
+ y4<br />
)<br />
4<br />
1<br />
a1<br />
= ( y1<br />
− y2<br />
− y3<br />
+ y4<br />
)<br />
2<br />
4<br />
Or l’expérimentateur mesure :<br />
y1=60<br />
y2=70<br />
y3=80<br />
y4=90<br />
d’où<br />
a0=75<br />
a1=5<br />
a2=10<br />
a12=0<br />
1<br />
+ 1<br />
−1<br />
−1<br />
1<br />
−1<br />
+ 1<br />
−1<br />
1 ⎞<br />
⎟<br />
+ 1⎟<br />
+ 1⎟<br />
⎟<br />
+ 1⎟<br />
⎠<br />
y= a0+ a1x1 + a2x2 + a12x1x2 = 75+ 5 x1 + 10 x2<br />
Il reste ensuite l’interprétation des résultats :<br />
Etant donné que a12 = 0, l’interaction de la température et de la pression est nulle. La surface de réponse<br />
pourra donc être modélisée par un plan.<br />
Par ailleurs, , a1 est l’effet moyen du facteur x1.<br />
a1 correspond à l’augmentation de la réponse y à x2 fixée nulle lorsque le facteur x1 passe de la<br />
valeur 0 à la valeur 1, cad quand le facteur x1 augmente d’une unité.<br />
En effet, y = a0+ a1 x1 + a2 x2 + a12 x1x2<br />
d’où, à x2 =0 (fixée), y = a0+ a1 x1 (fonction linéaire de x1 représentée par une droite)<br />
5
y<br />
80<br />
75<br />
70<br />
a1 est également la moitié de la variation de y lorsque à x2 =0 (fixée), x1 passe de –1 à +1, cad lorsque<br />
à P=1,5 bar, T passe de 60°C à 80°C.<br />
De même, a2 correspond à l’augmentation de la réponse y à x1 fixée nulle lorsque x2 passe de la valeur 0 à<br />
la valeur 1, cad quand le facteur x1 augmente d’une unité.<br />
En effet, y = a0+ a1 x1 + a2 x2 + a12 x1x2<br />
d’où, à x1 =0 (fixée) , y = a0+ a2 x2 (fonction linéaire de x2 représentée par une droite)<br />
y<br />
85<br />
75<br />
65<br />
Des résultats, on peut en déduire que la réponse sera maxi pour x1 = +1 et x2 = +1 cad que le<br />
rendement sera maxi pour T=80°C et P+2 bars.<br />
Par ailleurs, a2 = 2 a1, donc la pression agit deux fois plus que la température sur le rendement,<br />
relativement aux intervalles que nous nous sommes choisis :<br />
La pente de la droite obtenue par la coupe verticale telle que x1 = 0 est deux fois plus élevée que celle<br />
telle que x2 = 0<br />
6<br />
: a1<br />
2 : a1
II Plans à deux niveaux- 3 facteurs<br />
1) Plan complet à 2 niveaux et 3 facteurs<br />
a) Concept<br />
y= f ( x1, x2, x3 ) avec x1, x2, x3, 3 facteurs<br />
y = réponse<br />
x1= ± 1<br />
x2= 1<br />
x3= ± 1<br />
± d’où 2 3 =8 possibilités cad 8 points extrémaux<br />
Ce sont les 8 coins du cube<br />
On modélise la réponse par le modèle polynômial suivant :<br />
y ( x1, x2, x3 ) = a0+ a1 x1 + a2 x2 + a3 x3 + a12 x1 x2 + a13 x1x3 + a23 x2 x3+ a123 x1 x2 x3<br />
x1= ± 1, x2= ± 1, x3 = ± 1<br />
y (-1, -1, -1) = y1 = a0 - a1 - a2 - a3 + a12 + a13 + a23 - a123<br />
y (+1, -1, -1) = y2 = a0 + a1 - a2 - a3 - a12 - a13 + a23 + a123<br />
y (-1, +1, -1) = y3 = a0 - a1 + a2 - a3 - a12 + a13 - a23 + a123<br />
y (+1, +1, +1)= y4 = a0 + a1 + a2 - a3 + a12 - a13 - a23 - a123<br />
y (-1, -1, +1) = y5 = a0 - a1 - a2 + a3 + a12 - a13 - a23 + a123<br />
y (-1, -1, +1) = y6 = a0 + a1 - a2 + a3 - a12 + a13 - a23 - a123<br />
y (-1, +1, +1) = y7 = a0 - a1 + a2 + a3 - a12 - a13 + a23 - a123<br />
y (+1, +1, +1) = y8 = a0 + a1 + a2 + a3 + a12 + a13 + a23 + a123<br />
y1… y8 sont connus<br />
7
Il s’agit d’un système de 8 équations à 8 inconnues : a0 , a1 , a2 , a3 , a12 …<br />
( 1) a0 = 1/8 ( y1 + y2 + y3 + y4 + y5 + y6 ++ y7 + y8 )<br />
( 2) a1 = 1/8 ( -y1 + y2 - y3 + y4 - y5 + y6 - y7 + y8 )<br />
( 3) a2 = 1/8 ( - y1 - y2 + y3 + y4 - y5 - y6 + y7 + y8 )<br />
( 4) a3 = 1/8 ( - y1 - y2 - y3 - y4 + y5 + y6 + y7 + y8 )<br />
( 5) a12 = 1/8 ( y1 - y2 - y3 + y4 + y5 - y6 - y7 + y8 )<br />
( 6) a13 = 1/8 ( y1 - y2 + y3 - y4 - y5 + y6 - y7 + y8 )<br />
( 7) a23 = 1/8 ( y1 + y2 - y3 - y4 - y5 - y6 + y7 + y8 )<br />
( 8) a123 = 1/8 ( -y1 + y2 + y3 - y4 + y5 - y6 - y7 + y8 )<br />
Remarque : on aurait pu écrire le problème sous forme matricielle :<br />
⎛ y1<br />
⎞ ⎛ 1<br />
⎜ ⎟ ⎜<br />
⎜ y2<br />
⎟ ⎜ 1<br />
⎜ y ⎟ ⎜<br />
3 1<br />
⎜ ⎟ ⎜<br />
⎜ y4<br />
⎟ ⎜ 1<br />
⎜ ⎟ = ⎜<br />
⎜ y5<br />
⎟ ⎜<br />
1<br />
⎜ y ⎟ ⎜ 6 1<br />
⎜ ⎟ ⎜<br />
⎜ y7<br />
⎟ ⎜ 1<br />
⎜ ⎟ ⎜<br />
⎝ y ⎠ ⎝ 1<br />
8<br />
−1<br />
1<br />
−1<br />
1<br />
1<br />
1<br />
−1<br />
1<br />
−1<br />
−1<br />
1<br />
1<br />
1<br />
−1<br />
1<br />
1<br />
−1<br />
−1<br />
−1<br />
−1<br />
−1<br />
1<br />
1<br />
1<br />
1<br />
−1<br />
−1<br />
1<br />
1<br />
−1<br />
−1<br />
1<br />
1<br />
−1<br />
1<br />
−1<br />
−1<br />
1<br />
−1<br />
1<br />
1<br />
1<br />
−1<br />
−1<br />
−1<br />
−1<br />
1<br />
1<br />
−1⎞<br />
⎟<br />
1 ⎟<br />
1 ⎟<br />
⎟<br />
−1⎟<br />
1<br />
⎟<br />
⎟<br />
−1⎟<br />
⎟<br />
−1⎟<br />
1<br />
⎟<br />
⎠<br />
⎛a<br />
0 ⎞<br />
⎜ ⎟<br />
⎜a1<br />
⎟<br />
⎜<br />
a<br />
⎟<br />
2 ⎜ ⎟<br />
⎜a3<br />
⎟<br />
⎜ ⎟<br />
⎜a12<br />
⎟<br />
⎜a<br />
⎟<br />
13<br />
⎜ ⎟<br />
⎜a<br />
23 ⎟<br />
⎜ ⎟<br />
⎝a123<br />
⎠<br />
y=Xa On peut remarquer que, par construction,<br />
. la première colonne n’est constituée que de 1<br />
. les 2 ème , 3 ème , et 4 ème colonnes sont constituées des signes<br />
respectivement de x1, x2 , et x3<br />
. les 5 ème , 6 ème , 7 ème et 8 ème colonnes sont constituées des signes de<br />
x1 x2, x1 x13 , x2 x3 , et x1 x2 x3<br />
a= X -1 y<br />
Or X est une matrice d’Hadammard<br />
d’où X -1 = 1/8 tX<br />
d’ où a= 1/8 tX y<br />
on trouve a cad a1, a2 , a3, a12 , a13, a23 , a123<br />
8
) Application 1<br />
On cherche à obtenir un bitume stable en jouant sur 3 facteurs lors de la fabrication : la teneur en<br />
émulsifiant (facteur 1), celle en acide chlorhydrique (facteur 2) et la nature du bitume (facteur 3).<br />
On réalise pour cela un plan d’expériences 2 3 , à savoir à 2 niveaux et 3 facteurs. Il est constitué de 2 3 = 8<br />
essais (chacun des facteurs est pris au niveau bas et au niveau haut) :<br />
⎛ y<br />
⎜<br />
⎜ y<br />
⎜ y<br />
⎜<br />
⎜ y<br />
On mesure expérimentalement ⎜<br />
⎜ y<br />
⎜ y<br />
⎜<br />
⎜ y<br />
⎜<br />
⎝ y<br />
d’où a 0 = 27,25<br />
a 1 = -1<br />
a2 = -6<br />
a3 = -4<br />
a12 = - 0.25<br />
a13 = - 0,25<br />
a23 = 0,25<br />
a123 = 0<br />
1<br />
2<br />
3<br />
4<br />
5<br />
6<br />
7<br />
8<br />
= 38 ⎞<br />
⎟<br />
= 37⎟<br />
= 26<br />
⎟<br />
⎟<br />
= 24⎟<br />
⎟<br />
= 30 ⎟<br />
= 28⎟<br />
⎟<br />
= 19 ⎟<br />
= 16 ⎟<br />
⎠<br />
a1 < 0, a2 < 0, a3 < 0 donc chacun des facteurs a un effet négatif sur la réponse<br />
a3 > a2 > a1 donc le facteur 3 est plus influent que le facteur 2 qui lui-même est plus influent que le facteur<br />
1<br />
en valeur absolue, a1
On en déduit les valeurs des effets cf VI<br />
2) Plan fractionnaire à 2 niveaux et 3 facteurs<br />
a) principe<br />
Au lieu de réaliser les 2 3 = 8 essais décrits au II 1, on n’effectue que 4 essais bien choisis.<br />
Le plan complet fournissait le système de 8 équations à 8 inconnues suivantes :<br />
y5 = a0 - a1 - a2 + a3 + a12 - a13 - a23 + a123<br />
y2 = a0 + a1 - a2 - a3 - a12 - a13 + a23 + a123<br />
y3 = a0 - a1 + a2 - a3 - a12 + a13 - a23 + a123<br />
y8 = a0 + a1 + a2 + a3 + a12 + a13 + a23 + a123<br />
y1 = a0 - a1 - a2 - a3 + a12 + a13 + a23 - a123<br />
y6 = a0 + a1 - a2 + a3 - a12 + a13 - a23 - a123<br />
y7 = a0 - a1 + a2 + a3 - a12 - a13 + a23 - a123<br />
y4 = a0 + a1 + a2 - a3 + a12 - a13 - a23 - a123<br />
issu du modèle polynomial y = a0+ a1 x1 + a2 x2 + a3 x3 + a12 x1 x2 + a13 x1x3 + a23 x2 x3+ a123 x1 x2 x3<br />
avec x1 = ±1, x2 = ±1, x3 = ±1<br />
On sélectionne les quatre premières équations de ce système que l’on appelle demi plan supérieur.<br />
Ce sont les lignes telles que le signe précédent a123 est positif, cad telles que sg (x1, x2 , x3)= +1<br />
Nous avons donc un système de 4 équations à 8 inconnues,<br />
les inconnues étant a0 , a1, a2, a3, a12, a13, a23, a123 :<br />
y5 = a0 - a1 - a2 + a3 + a12 - a13 - a23 + a123<br />
y2 = a0 + a1 - a2 - a3 - a12 - a13 + a23 + a123<br />
y3 = a0 - a1 + a2 - a3 - a12 + a13 - a23 + a123<br />
y8 = a0 + a1 + a2 + a3 + a12 + a13 + a23 + a123<br />
L’idée consiste à grouper les inconnues 2 par 2:<br />
sg (x1, x2 , x3)= +1,<br />
donc le signe précédent a123 sera toujours positif donc identique au signe précédent a0 (qui lui aussi est<br />
positif)<br />
donc on peut regrouper les termes a0 et a123 ,<br />
et poser l0 = a0 + a123.<br />
10
De même , comme sg (x1, x2 , x3)= +1, sg (x1) = sg ( x2 , x3)<br />
donc le signe précédent a1 sera le même que celui précédent a23 ( cela est dû au fait que y = a0+ a1 x1<br />
+ a2 x2 + a3 x3 + a12 x1 x2 + a13 x1x3 + a23 x2 x3+ a123 x1 x2 x3)<br />
donc on peut regrouper a1 et a23 et poser l1 = a1 + a123<br />
. De même sg (x2) = sg ( x1 , x3)<br />
On regroupe a2 et a13 et poser l2 = a2 + a13<br />
Le système des 4 équations devient :<br />
y5 =( a0+ a123) – ( a1 + a23 ) - (a2 + a13 )+ ( a3+ a12)<br />
y2 =( a0+ a123) + ( a1 + a23 ) - (a2 + a13 ) - ( a3+ a12)<br />
y3 =( a0+ a123) – ( a1 + a23 ) + (a2 + a13 ) - ( a3+ a12)<br />
y8 =( a0+ a123) + ( a1 + a23 ) + (a2 + a13 )+ ( a3+ a12)<br />
On pose:<br />
l1 = a1 + a23<br />
l2 = a2 + a13<br />
l3 = a3 + a12<br />
l0 = a0 + a123<br />
On obtient ainsi 4 équations à 4 inconnues: l1 , l2 , l3 , l0 :<br />
y5 = l0 – l1 - l2 + l3<br />
y2 = l0 + l1 - l2 - l3<br />
y3 = l0 – l1 + l2 - l3<br />
y8 = l0 + l1 + l2 + l3<br />
En inversant le système on trouve :<br />
l1 = ¼ ( -y5 + y2 - y3 + y8 )<br />
l2 = ¼ ( -y5 - y2 + y3 + y8 )<br />
l3 = ¼ ( y5 - y2 - y3 + y8 )<br />
l0 = ¼ ( y5 + y2 + y3 + y8 )<br />
11
On trouve ainsi l1 , l2 , l3 , l0 (que l’on appelle « contrastes »)<br />
cad a0 + a123 , a1 + a23 , a2 + a13 , a3 + a12 ,<br />
On dit que : les effets a0 et a123 sont aliasés<br />
les effets a1 et a23 sont aliasés<br />
les effets a2 et a13 sont aliasés<br />
les effets a3 et a12 sont aliasés<br />
et que « sg (x1, x2 , x3)= +1 » est le générateur d’aliases car de cette équation on en déduit les aliases.<br />
b) application 1 : stabilité du bitume<br />
En reprenant le même exemple du I.1.b., au sujet de la stabilité du bitume, mais avec le plan fractionnaire<br />
indiqué ci-dessus au lieu du plan complet, nous n’effectuons que les 4 expériences, à savoir celles telles<br />
que sg (x1, x2 , x3) = +1, ce qui correspond aux 4 coins du tétraède suivant :<br />
Nous obtenons :<br />
l0 = ¼ ( y5 + y2 + y3 + y8 ) = ¼ ( 30 +37+26+16) = 27,25<br />
l1 = ¼ ( -y5 + y2 - y3 + y8 ) = ¼ ( - 30 +37 – 26 +16) = - 0,75<br />
l2 = ¼ ( -y5 - y2 + y3 + y8 ) = ¼ (- 30 - 37 + 26 +16) = - 6,25<br />
l3 = ¼ ( y5 - y2 - y3 + y8 ) = ¼ ( 30 - 37 – 26 +16) = - 4,25<br />
Mais que peut-on en déduire ?<br />
Il faut alors faire des approximations<br />
. l0 = a0 + a123 ≈ a0 car a123 est un effet d’ordre 3 donc négligeable devant a0<br />
d’où a0 ≈ 27,25<br />
. l1 = a1 + a23 ≈ a1 car a23 est un effet d’ordre 2 donc négligeable devant a1 qui est un effet d’ordre 1<br />
De plus, physiquement il n’y a pas de raison pour que le facteur 2, qui est la teneur en acide<br />
chlorhydrique, interagisse avec le facteur 3 qui est la nature du bitume :<br />
d’où a1 ≈ 0,75<br />
De même,<br />
. l2 = a2 + a13 ≈ a2 d’où a2 ≈ - 6,25<br />
. l1 = a1 + a23 ≈ a1 d’où a3 ≈ - 4,25<br />
y = a0+ a1 x1 + a2 x2 + a3 x3 + a12 x1 x2 + a13 x1x3 + a23 x2 x3+ a123 x1 x2 x3<br />
≈ 27,25 – 0,75 x1 – 6,25 x2 – 4,25 x3<br />
12
Ce modèle obtenu grâce au plan fractionnaire est peu différent de celui du plan complet qui fournissait :<br />
y = 27,25 - x1 - 6 x2 - 4 x3 – 0,25 x1 x2 - 0,25 x1x3 + 0,25 x2 x3<br />
≈ 27,25 – 6 x2 – 4 x3<br />
Remarque 1:<br />
On pourrait se poser la question du bien fondé du modèle y = a0+ a1 x1 + a2 x2 + a3 x3 + a12 x1 x2 + a13<br />
x1x3 + a23 x2 x3+ a123 x1 x2 x3 dans ce cas précis. En effet à quoi cela sert-il d’introduire les nouvelles<br />
inconnues a12, a13, a23, a123 si elles sont négligées ensuite ?<br />
Nous aurions pu utiliser directement le modèle « y = a0+ a1 x1 + a2 x2 + a3 x3 »<br />
Cependant dans d’autres cas, notamment lorsque les interactions entre les facteurs sont fortes, les<br />
approximations seront différentes : nous pourrons alors dans certains cas bien particuliers supposer que :<br />
. l1 = a1 + a23 ≈ a23<br />
ou . l1 = (a1 + a23 ) /2 par exemple<br />
Remarque 2 :<br />
En toute rigueur, il faudrait connaître l’écart type, l’incertitude des mesures sur y5 , y2 , y3 , y8 et donc sur<br />
l0 , l1 , l2 , l3 pour savoir si les décimales ont une signification. Cependant dans notre cas, la précision des<br />
mesures n’était pas donnée donc on ne peut pas savoir si 6,25 peut être remplacé par 6.<br />
III Plans à deux niveaux et 5 facteurs : 2 5<br />
Principe et application<br />
Ex : on cherche l’influence de 5 facteurs sur la résistance mécanique du bois<br />
- facteur 1 : type du bois (sapin ou pin)<br />
- facteur 2 : température de pyrolyse<br />
niveau bas : 225 °C<br />
niveau haut : 240 °C<br />
- facteur 3 : durée de pyrolyse<br />
niveau bas : 5 mn<br />
niveau haut : 15 mn<br />
- facteur 4 : température de séchage<br />
niveau bas : 80 °C<br />
niveau haut : 120 °C<br />
13
- facteur 5 : injection d’azote avant ou après la pyrolyse<br />
niveau bas : injection avant pyrolyse<br />
niveau haut : injection après pyrolyse<br />
x1 = ±1, x2 = ±1 ….. x5 = ±1<br />
→ le plan complet nécessite 2 5 essais= 32 essais<br />
Au lieu de réaliser les 32 essais du plan complet, on n’effectue que les 8 essais du plan fractionnaire tel<br />
que :<br />
sg (x4) = sg (x1, x2, x3)<br />
sg (x5)= sg ( x1, x3)<br />
Plan factoriel 2 5-2 : 5 facteurs x1, x2, x3 x4, x5<br />
1) ma méthode avec comme aliases : sg (x1, x2, x3 x4, x5) =1 et sg ( x1)=1<br />
∀ i ∈[ 1,5], xi = ±1<br />
y = a0+ a1 x1 + a2 x2 + a3 x3 + a4 x4 + a5 x5 + a12 x1 x2 +…+ a15 x1x5 + a23 x2 x5+… + a25 x2 x3+ a34 x3 x4<br />
+ a35 x3 x5+ a45 x4 x5 + a123 x1 x2 x3 + a1234 x1 x2 x3 x4 + a12345 x1 x2 x3 x4 x5<br />
= a0+ a1 x1 + a2 x2 + a3 x3 + a4 x4 + a5 x5 + ∑( ∑ aij xij ) avec i, j ∈[1; 5],<br />
On l’applique pour x1 = ± 1 … x5 = ± 1 → on obtient 2 5 = 32 équations à 32 inconnues<br />
Y = X . a<br />
1…………………………………….. ..1 a0<br />
1 -1 1……..-1…………..-1 1……….1 a1<br />
…………………………………………. a2<br />
…………………………………………. a3<br />
…………………………………………. a4<br />
…………………………………………. …<br />
…………………………………………. …<br />
…………………………………………. …<br />
…………………………………………. a12 X est une matrice 32-32<br />
…………………………………………. a45<br />
…………………………………………. a123<br />
…………………………………………. …<br />
…………………………………………. …<br />
…………………………………………. a345<br />
14
En effet,<br />
pour<br />
x1 = 1<br />
x2 = 1<br />
x3 = 1 y1 = a0+ a1 + a2 +…… a5 + a12 + ……a45<br />
x4 = 1<br />
x5 = 1<br />
x1 = - 1<br />
x2 = - 1<br />
x3 = - 1 y2 = a0 - a1 +…… a12 -……- a15 + a23 + a34 +……+ a25 + a34 + a35+ a45<br />
x4 = - 1<br />
x5 = - 1<br />
Notre but est de faire 16 expériences au lieu de 32 (plan factoriel fractionnaire)<br />
On sélectionne le demi plan tel que sg (x1, x2, x3, x4, x5) = 1<br />
On aliase<br />
a0 avec a12345 l0 = a0 + a12345<br />
a1 avec a2345 car sg (x1, x2, x3, x4, x5) = 1 → sg (x1) = sg ( x2, x3, x4, x5), on pose l1 = a1 + a2345<br />
… …<br />
… …<br />
a5 avec a1234 l5 = a5 + a1234<br />
a12 avec a345 l12 = a12 + a345<br />
x1 = ±1, x12 = ±1, ………. x5 = ±1,<br />
sg (x1, x2, x3, x4, x5) = 1 donc sg (x5) se déduit de sg (x1, x2, x3, x4, x5) cad la colonne l5 se déduit des<br />
colonnes l1 , l2 , l3 , l4<br />
15
+ désignera +1 et – désignera –1<br />
l0 l1 l2 l3 l4 l5 l12 l13 l14 l15 l23 l24 l25 l34 l35 l45<br />
( 1) + + + + + + + + + + + + + + + +<br />
( 2) + + + + – – + + – – + – – – – +<br />
( 3) + + + – + – + – + – – + – – + –<br />
( 4) + + + – – + + – – + – – + + – +<br />
( 5) + + – + + – – + + – – + + + + +<br />
( 6) + + – + – + – + – + – + – – + –<br />
( 7) + + – – + + + – – + – – + + – –<br />
( 8) + + – – – – – – – – + + + + + +<br />
( 9) + – + + + – – – – + + + – + – –<br />
( 10) + – + + – + – – + + + – + – + –<br />
( 11) + + + + + + + + + + + + + + + +<br />
( 12) + – + – – – – + + + – – + + + +<br />
( 13) + – – + + + + – – – – – – + + +<br />
( 14) + – – + – – + – + + – + + – – +<br />
( 15) + – – – + – + + – + + – + – + –<br />
( 16) + – – – – + + + + – + + – + – –<br />
L1 : ∀ i ∈[ 1,4], xi = +1<br />
L2 : x1 = +1, x2 = +1, x3 = +1, x4 = – 1, et donc x5 = – 1, car sg (x1, x2, x3, x4, x5) = 1<br />
C’est le plan factoriel 2 5-2<br />
Pour obtenir le plan factoriel 2 5-2 , cad diviser encore par deux le nombre d’expériences, on sélectionne le<br />
demi plan tel que sg (x1) = 1. C’est le demi plan supérieur.<br />
sg (x1) = 1, d’où sg ( x2, x3, x4, x5) = 1 aussi<br />
16
On utilise ainsi les aliases ci-dessous :<br />
. l0 + l1<br />
. l2 + l12<br />
. l3 + l13<br />
. l4 + l14<br />
. l5 + l15<br />
. l 23 + l45<br />
. l24 + l35<br />
. l25 + l34<br />
l0 = l1 l2 l3 l4 l5 l23 l24 l25<br />
+ + + + + + + +<br />
+ + + – – + – –<br />
+ + – + – – + –<br />
XS = + + – – + – – +<br />
+ – + + – – + +<br />
+ – + – + – + –<br />
+ – – + + + – +<br />
+ – – – – + + +<br />
Les 8 inconnues sont :<br />
. l0 + l1 = ( a0+ a12345 ) + a1 + a2345 = a0+ a1 + a12345 + a2345<br />
. l2 + l12 = ( a2+ a1345 ) + a12 + a2345 = a2+ a12 + a345 + a1345<br />
. l3 + l13 = ( a3 + a1245 ) + a13 + a245 = a3 + a13 + a2345 + a21235<br />
. l4 + l14 = ( a4 + a1235 ) + a14 + a235 = a4+ a14 + a235 + a1235<br />
. l5 + l15 = ( a0+ a1234 ) + a15 + a234 = a5+ a15 + a234 + a1234<br />
. l 23 + l45 = ( a23+ a145 ) + a45 + a123 = a23+ a45 + a123 + a145<br />
. l24 + l35 = ( a24 + a135 ) + a35 + a124 = a24+ a35 + a124 + a135<br />
. l25 + l34 = ( a25 + a134 ) + a34 + a125 = a25+ a34 + a135 + a134<br />
Remarque : nous aurions pu aliaser différemment.<br />
Dans le cours, l’auteur a sélectionné les lignes telles que :<br />
sg ( x4) = sg (x1, x2, x3)<br />
sg ( x5) = sg (x1, x3)<br />
17
Ce sont ces aliases-ci que nous utiliserons dans la suite, notamment pour l’exemple de la résistance<br />
mécanique du bois.<br />
2) la méthode du cours : avec comme aliases sg (x1, x2, x3) = sg (x4) et sg (x5) = sg (x1, x3)<br />
Plan complet 2 5 : 32 équations à 32 inconnues<br />
On sélectionne les lignes telles que : sg (x4) = sg (x1, x2, x3) qu’on note 4 =123<br />
Le générateur d’aliases est I =1234 ; sg (x1, x2, x3, x4) = 1<br />
A partir de ce générateur d’aliases, on peut en déduire les aliases. Pour cela on multiplie 1234 par<br />
respectivement 1,2,3,4,5 :<br />
1 x I = 1 1234 = 234 → 1 est aliasé avec 234 → a1 + a234<br />
2 I = 2 1234 = 134 → 2 est aliasé avec 134 → a2 + a134<br />
3 I = 3 1234 = 124 → 3 est aliasé avec 124 → a3 + a134<br />
4 I = 4 1234 = 4 2 x 123=123 → 4 est aliasé avec 123 → a4 + a123<br />
5 I = 5 1234 = 12345 → 5 est aliasé avec 12345 → a5 + a12345<br />
Par ailleurs, , a0 est précédé d’un « + », comme x1, x2, x3, x4 → a0 + a1234<br />
On peut donc poser :<br />
12 I = 12 1234 = 12 2 34 = 34 → 12 est aliasé avec 34 → a12 + a34<br />
13 I = 13 1234 = 24 → 13 est aliasé avec 24 → a13 + a24<br />
14 I = 14 1234 = 23 → 14 est aliasé avec 23 → a14 + a23<br />
15 I = 15 1234 = 2345 → 15 est aliasé avec 23 → a15 + a2345<br />
23 I = 23 1234 = 14 → 23 est aliasé avec 14 → a23 + a14<br />
25 I = 25 1234 = 1345 → 25 est aliasé avec 1345 → a25 + a1345<br />
35 I = 35 1234 = 1245 → 35 est aliasé avec 1245 → a35 + a1245<br />
45 I = 45 1234 = 1235 → 45 est aliasé avec 1235 → a45 + a1235<br />
→ On a 8 équations<br />
Nos contrastes du plan 2 5-1 sont donc :<br />
. l0 = a0+ a1234<br />
. l1 = a1+ a234<br />
. l2 = a2+ a134<br />
. l3 = a3+ a124<br />
. l4 = a4+ a123<br />
. l5 = a5+ a12345<br />
. l12 = a12+ a34<br />
. l13 = a13+ a24<br />
. l14 = a14+ a23<br />
. l15 = a15+ a2345<br />
. l23 = a23+ a14<br />
. l25 = a25+ a1345<br />
. l35 = a35+ a1245<br />
18
. l45 = a45+ a1235<br />
. l125 = a125+ a345<br />
. l135 = a135+ a245<br />
. l145 = a145+ a235<br />
Cela nous donne bien 16 contrastes (deux fois moins que de facteurs 2 5 /2 = 16)<br />
On cherche à diviser encore par deux le nombre de contrastes :<br />
On sélectionne les lignes telles que sg (x5) = sg (x1, x3), ce qu’on note 5=13<br />
Le générateur d’aliase est donc 135 ; sg (x1, x3, x5) = 1<br />
On regroupe les 16 contrastes 2 par 2<br />
135 = 1 cad 1 = 135<br />
On multiplie respectivement par 1, 2, …5<br />
1 x I = 1 x 135 = 1 2 35 = 35 → a1 et a35 ensemble → ( a1 + a234 ) + ( a35 + a1245 ) noté l1<br />
2 I = 2 135 = 1235 → a2 et a1235 ensemble → ( a2 + a134 ) + ( a45 + a1235 ) noté l2<br />
3 I = 3 135 = 15 → a3 et a15 ensemble → ( a3 + a124 ) + ( a15 + a2345 ) noté l3<br />
4 I = 4 135 = 1345 → a4 et a1345 ensemble → ( a4 + a123 ) + ( a25 + a1345 ) noté l4<br />
5 I = 5 135 = 13 → a5 et a13 ensemble → ( a5 + a1245 ) + ( a13 + a24 ) noté l5<br />
12 I = 12 135 = 1 2 235 = 235 → a12 et a235 ensemble → ( a12 + a34 ) + ( a145 + a235 ) noté l12<br />
23 I = 23 135 = 125 → a23 et a325 ensemble → ( a14 + a23 ) + ( a125 + a345 ) noté l23<br />
sg (x1, x3, x5) d’où → a0 et a135 ensemble → ( a0 + a1234 ) + ( a135 + a245 ) noté l0<br />
On note ainsi :<br />
. l0 = a0 + a135 + a245 + a1234 ≈ a0<br />
. l1 = a1 + a35 + a234 + a1245 ≈ a1+ a35<br />
. l2 = a2+ a45 + a134 + a1235 ≈ a2+ a45<br />
. l3 = a3+ a15 + a124 + a2345 ≈ a3+ a15<br />
. l4 = a4+ a25 + a123 + a1345 ≈ a4+ a25<br />
. l5 = a5+ a13 + a24 + a12345 ≈ a5+ a13+ a24<br />
. l12 = a12+ a34 + a235 + a145 ≈ a12+ a34<br />
. l23 = a23+ a14 + a125 + a345 ≈ a23+ a14<br />
19
l0 l1 l2 l3 l4 l5 l12 l23<br />
⎛+<br />
⎜<br />
⎜+<br />
⎜+<br />
⎜<br />
⎜+<br />
X S = ⎜<br />
⎜<br />
+<br />
⎜+<br />
⎜<br />
⎜+<br />
⎜<br />
⎝+<br />
−<br />
+<br />
−<br />
+<br />
−<br />
+<br />
−<br />
+<br />
−<br />
−<br />
+<br />
+<br />
−<br />
−<br />
+<br />
+<br />
−<br />
−<br />
−<br />
−<br />
+<br />
+<br />
+<br />
+<br />
−<br />
+<br />
+<br />
−<br />
+<br />
−<br />
−<br />
+<br />
+<br />
−<br />
+<br />
−<br />
−<br />
+<br />
−<br />
+<br />
+<br />
−<br />
−<br />
+<br />
+<br />
−<br />
−<br />
+<br />
+ ⎞<br />
⎟<br />
+ ⎟<br />
−⎟<br />
⎟<br />
−⎟<br />
−<br />
⎟<br />
⎟<br />
−⎟<br />
⎟<br />
+ ⎟<br />
+ ⎟<br />
⎠<br />
En effet XS est la matrice 8 lignes 8 colonnes<br />
. la première colonne n’est composée que de « + »<br />
. ensuite pour les trois colonne suivantes, on utilise :<br />
sg x1 = ±1,<br />
sg x2 = ±1,<br />
sg x3 = ±1<br />
. les autres colonnes s’en déduisent<br />
en effet sg ( x4 ) = sg ( x1 x2 x3 )<br />
dc la colonne de l4 est identique à celle composée du produit des sg des colonnes de l1 , l2 , l3<br />
. sg (x5 ) = sg ( x1 x3 )<br />
. sg (x1 x2 ) = sg ( x1 ) sg ( x2 )<br />
dc on en déduit la colonne l12<br />
. sg (x2 x3 ) = sg ( x2 ) sg ( x3 )<br />
dc on en déduit la colonne l23<br />
y = XS L avec L =<br />
On cherche L :<br />
y = = XS -1 y<br />
⎛l<br />
⎞ 0 ⎜ ⎟<br />
⎜l1<br />
⎟<br />
⎜ ⎟<br />
⎜l<br />
2 ⎟<br />
⎜l<br />
⎟<br />
3<br />
⎜ ⎟<br />
⎜...<br />
⎟<br />
⎜l<br />
⎟<br />
12 ⎜ ⎟<br />
⎜ ⎟<br />
⎝<br />
l23<br />
⎠<br />
⎛81,<br />
1 ⎞<br />
⎜ ⎟<br />
⎜75,<br />
2⎟<br />
⎜62,<br />
4⎟<br />
⎜ ⎟<br />
⎜65,<br />
3⎟<br />
et y = ⎜ ⎟ = vecteur des résultats des 8 expériences<br />
⎜<br />
77,<br />
8<br />
⎟<br />
⎜63,<br />
6⎟<br />
⎜ ⎟<br />
⎜76,<br />
2⎟<br />
⎜ ⎟<br />
⎝48,<br />
2⎠<br />
20
or XS est une matrice d’Hadarmard d’où t X XS = nIn<br />
S<br />
avec n=8 ici (n = nb d’expériences)<br />
d’où t X XS XS<br />
S<br />
-1 = nIn XS –1<br />
t X = n XS<br />
S<br />
-1<br />
XS -1 = 1/n t X S<br />
donc ici XS -1 = 1/8 t X S<br />
cad<br />
t X S<br />
X S<br />
⎛+<br />
⎜<br />
⎜+<br />
⎜+<br />
⎜<br />
⎜+<br />
= ⎜<br />
⎜<br />
+<br />
⎜+<br />
⎜<br />
⎜+<br />
⎜<br />
⎝+<br />
⎛+<br />
⎜<br />
⎜ −<br />
⎜ −<br />
⎜<br />
1 ⎜ −<br />
⋅ y = ⋅⎜<br />
8<br />
⎜<br />
−<br />
⎜+<br />
⎜<br />
⎜+<br />
⎜<br />
⎝+<br />
l0 l1 l2 l3 l4 l5 l12 l23<br />
−<br />
+<br />
−<br />
+<br />
−<br />
+<br />
−<br />
+<br />
−<br />
−<br />
+<br />
+<br />
−<br />
−<br />
+<br />
+<br />
−<br />
−<br />
−<br />
−<br />
+<br />
+<br />
+<br />
+<br />
−<br />
+<br />
+<br />
−<br />
+<br />
−<br />
−<br />
+<br />
+<br />
−<br />
+<br />
−<br />
−<br />
+<br />
−<br />
+<br />
+<br />
−<br />
−<br />
+<br />
+<br />
−<br />
−<br />
+<br />
+ ⎞<br />
⎟<br />
+ ⎟<br />
−⎟<br />
⎟<br />
−⎟<br />
−<br />
⎟<br />
⎟<br />
−⎟<br />
⎟<br />
+ ⎟<br />
+ ⎟<br />
⎠<br />
l0 l1 l2 l3 l4 l5 l12 l23<br />
+<br />
+<br />
−<br />
−<br />
+<br />
−<br />
−<br />
+<br />
+<br />
−<br />
+<br />
−<br />
+<br />
+<br />
−<br />
−<br />
+<br />
+<br />
+<br />
−<br />
−<br />
−<br />
+<br />
−<br />
. l0 = 1/8 ( y0 + y1 + y2 + ……+ y23 )<br />
+<br />
−<br />
−<br />
+<br />
+<br />
−<br />
+<br />
−<br />
+<br />
+<br />
−<br />
+<br />
−<br />
+<br />
−<br />
−<br />
+<br />
−<br />
+<br />
+<br />
−<br />
−<br />
−<br />
+<br />
+ ⎞⎛<br />
y0<br />
⎞<br />
⎟⎜<br />
⎟<br />
+ ⎟⎜<br />
y1<br />
⎟<br />
+ ⎟⎜<br />
y ⎟<br />
2 ⎟⎜<br />
⎟<br />
+ ⎟⎜<br />
y3<br />
⎟<br />
⎟⎜<br />
⎟<br />
+<br />
⎟⎜<br />
y4<br />
⎟<br />
+ ⎟⎜<br />
y ⎟ 5<br />
⎟⎜<br />
⎟<br />
+ ⎟⎜<br />
y12<br />
⎟<br />
+<br />
⎟⎜<br />
⎟<br />
⎠⎝<br />
y23<br />
⎠<br />
. l1 = 1/8 (– y0 + y1 – y2 + y3 – y4 + y5 – y12+ y23 )<br />
. l2 = 1/8 (– y0 – y1 + y2 + y3 – y4 – y5 + y12+ y23 )<br />
……..<br />
. l23 = 1/8 ( y0 + y1 – y2 – y3 – y4 – y5 + y12+ y23 )<br />
21
cad<br />
. l0 = 1/8 ( 81,1 + 75,2 + 62,4 +… + 48,2 )= 68,725 ≈ 68,7<br />
. l1 = 1/8 (– 81,1 + 75,2 – 62,4 + 65,3 – 77,8 + 63,6 – 76,2 + 48,2)= 45,2 / 8 = 5,65 ≈ 5,6<br />
. l2 = 1/8 (– 81,1 – 75,2 + 62,4 + 65,3 – 77,8 – 63,6 + 76,2 + 48,2)= – 5,7<br />
. l3 = 1/8 ( ……. )= – 2,275 ≈ – 2,3<br />
. l4 = 1/8 ( ……. )= – 2,825 ≈ –2,8<br />
. l5 = 1/8 ( ……. )= – 4,9<br />
. l12 = 1/8 ( ……. )= – 0,625 ≈ – 0,1<br />
. l23 = 1/8 ( ……. )= 1,45 ≈ 1,5<br />
On peut considérer par exemple que si la valeur absolue du contraste est inférieure à 4,5, alors<br />
celui-ci est négligeable.<br />
Donc on, néglige l3, l4 , l12 , l23<br />
Or<br />
. l3 = a3+ a15 donc a3 ≈ 0 et a15 ≈ 0 probablement d’après l’hypothèse 2<br />
. l4 = a4+ a25 donc a4 ≈ 0 et a25 ≈ 0 probablement<br />
. l12 = a12+ a34 donc a12 ≈ 0 et a34 ≈ 0 probablement<br />
. l23 = a23+ a14 donc a23 ≈ 0 et a14 ≈ 0 probablement<br />
Il ne reste plus que 3 contrastes influents:<br />
. l1 = a1+ a35 ≈ – 5,6<br />
. l2 = a2+ a45 ≈ – 5,7<br />
. l5 = a5 + a13 + a24 ≈ – 4,9<br />
Grâce à l’hypothèse 3, comme a3 ≈ 0, alors a23 ≈ 0<br />
d’où a1 ≈ – 5,6<br />
- de même comme a4 ≈ 0, alors a45 ≈ 0<br />
d’où a2 ≈ – 5,7<br />
- de même, comme a3 ≈ 0, alors a13 ≈ 0<br />
- de même, comme a4 ≈ 0, alors a24 ≈ 0<br />
22
l5 = a5 + a13 + a24 ≈ a5<br />
or l5 = – 4,9 d’où a5 = – 4,9<br />
On constate que a1 < 0 et donc que la résistance diminue quand le facteur 1 augmente cad quand le<br />
facteur 1 centré réduit passe de –1 à +1 .<br />
Donc, pour avoir une résistance élevée, il faut fixer le facteur 1 au niveau –1 ; c'est-à-dire qu’il faut<br />
choisir du sapin.<br />
De même, a2 < 0 , donc la résistance diminue quand le facteur 2 augmente. Pour avoir une résistance<br />
élevée, il faut donc choisir une température de pyrolyse basse : à 225 °C.<br />
Enfin, il faut fixer le facteur 5 à –1 cad injecter l’azote avant la pyrolyse<br />
En conclusion, pour avoir une bonne résistance mécanique du sapin, il faut choisir une température<br />
de pyrolyse basse (225°C°) et injecter l’azote avant la pyrolyse<br />
IV Réflexions sur les plans d’expériences complets et fractionnaires à 2 niveaux<br />
1) Les avantages<br />
a) Les avantages généraux<br />
Les plans d’expériences complets à deux niveaux permettent de trouver les effets des facteurs testés sur<br />
la réponse avec peu d’essais.<br />
Dans le cas d’un plan d’expériences 2 2 (deux niveaux et deux facteurs), on peut ainsi trouver avec les<br />
quatre essais précédemment décrits les paramètres a0 , a1 , a2 et a12 du modèle, tels que<br />
ymod =a0 + a1 x1+ a2 x2+ a12 x1 x2<br />
avec x1 et x2 les variables centrées réduites.<br />
Ils permettent donc indirectement de trouver les paramètres b0 , b1 , b2 et b12 tels que<br />
23
ymod =b0 + b1 x1+ b2 x2+ b12 x1 x2<br />
avec x1 et x2 les variables de départ.<br />
En effet,<br />
~ x<br />
2x<br />
− ( x<br />
+ x<br />
1 1max<br />
1min<br />
1 = et<br />
x1max<br />
− x1min<br />
)<br />
24<br />
~ 2x1<br />
− ( x2<br />
max + x<br />
x2<br />
=<br />
x − x<br />
Ceci est tout à fait intéressant lorsque la dépendance de la réponse y en fonction des facteurs x1 et x2 est<br />
effectivement modélisable par ce modèle.<br />
De plus, la précision des effets a0 , a1 , a2 et de l’interaction a12 obtenus est intéressante.<br />
b) La précision<br />
Prenons l’exemple d’un plan 2 2 (deux niveaux et deux facteurs).<br />
Supposons qu’il n’yait pas d’erreur systématique.<br />
On cherche à déterminer les effets a0 , a1 , a2 et éventuellement a12 .<br />
1 ère méthode la plus immédiate<br />
Analogie avec la pesée : on pèse les poids a1 et a2 indépendamment avec une incertitude σ<br />
On mesure a0 (étalonnage de la balance).<br />
On rajoute le poids a1<br />
on mesure y1 =a0 + a1.<br />
On enlève le poids a1 et on met le poids a2 à la place.<br />
on mesure y2 =a0 + a2<br />
a1 =y1 – a0 d’où Var(a1)=2Var(y).<br />
a2 =y2 – a0 d’où Var(a2)=2Var(y).<br />
Méthode peu précise.<br />
2 ème méthode : méthode de la double pesée<br />
On suppose que a0 a déjà été mesuré.<br />
On cherche à déterminer les 2 poids a1 et a2 (qui peuvent par exemple être des masses)<br />
Au lieu de peser a1 et a2 séparément, on pèse les poids a1 et a2 du même côté, puis des 2 côtés :<br />
2 max<br />
2 min<br />
2 min<br />
)
y + y<br />
a − a<br />
2<br />
y − y<br />
a − a<br />
2<br />
1 2<br />
1 2<br />
1 = 0 et 2 =<br />
0<br />
1<br />
1<br />
Var( a2<br />
) = ⋅ 2Var(<br />
y)<br />
= ⋅Var(<br />
y)<br />
4<br />
2<br />
3 e méthode (méthode classique)<br />
On effectue les 4 essais comme suit sur le schéma<br />
(marques roses) :<br />
On note :<br />
y’1 la réponse obtenue pour x1 = -1 et x2 =0 .<br />
y’2 la réponse obtenue pour x1 =+1 et x2 =0 .<br />
y’3 la réponse obtenue pour x1 =0 et x2 = -1.<br />
y’4 la réponse obtenue pour x1 =0 et x2 = +1.<br />
a1 = ½ (y’2 – y’1)<br />
d’où Var (a1) = (½) 2 (Var(y’2) + Var(y’1)) = ¼ 2 Var(y) = ½ Var(y)<br />
σ (a1) =<br />
1 σ (y).<br />
2<br />
4 e méthode (méthode de la double pesée améliorée)<br />
Si nous utilisons cette méthode issue des plans d’expériences<br />
nous effectuons les 4 essais suivants :<br />
a1 = ¼ ( - y1 + y2 - y3 + y4 ), d’où :<br />
Var(a1 ) = ( ¼ ) 2 ( Var(y1) + Var(y2) + Var(y3) + Var(y4) ).<br />
= 1/16 4 Var(y)<br />
= ¼ Var(y)<br />
σ (a1) = ½ σ (y).<br />
25<br />
1.5<br />
1<br />
0.5<br />
0<br />
-1.5 -1 -0.5 0 0.5 1 1.5<br />
-0.5<br />
-1<br />
-1.5<br />
y = a + a + a<br />
1<br />
2<br />
0<br />
y = a + a − a<br />
0<br />
Plans<br />
Classique<br />
1<br />
1<br />
2<br />
2
Ainsi la variance de a1 et a2 est divisée par 2, et l’écart-type par 2 par rapport à la méthode<br />
classique.<br />
La variance de a0 reste inchangée.<br />
Et le plan d’expérience 2 2 fournit a12 avec une variance Var(a12) = ¼ Var(y)<br />
alors que la méthode classique ne prend pas en compte cet effet.<br />
Remarque<br />
On peut faire l’analogie avec une quadruple pesée avec 4 poids a0 , a1 , a2 et a12 .<br />
Cependant, l’analogie est limité par le fait que a12 n’est pas un poids réel, mais représente l’intezraction<br />
entre 2 poids. Il pourrait être représentée par une aimantation.<br />
2) Limites des plans à 2 niveaux<br />
Les plans complets à 2 niveaux supposent une loi linéaire avec un terme (ou des termes)<br />
d’interaction n-linéaire (linéaire par rapport à chacune des variables).<br />
Par exemple, dans le cas d’un plan complet à 2 niveaux et 2 facteurs, on suppose que la surface de réponse<br />
puisse s’approximer par le modèle suivant :<br />
y = a0 + a1 x1+ a2 x2 + a12 x1 x2<br />
Or si l’on prend une fonction quelconque de 2 facteurs, il n’ y aucune raison qu’elle soit<br />
effectivement approximable par un tel modèle. Prenons par exemple le contre-exemple de la fonction h :<br />
(x1 ; x2) → 100 x1 2 -100 + 0.1 x1 + 0* x2.<br />
Admettons que l’on recherche le point le plus bas de la surface de réponse.<br />
Le modèle « y= a 0+ a 1 x1+ a 2 x2+ a 12 x1 x2 » nous fournira les points tels que x1=-1 et x2 quelconque.<br />
En effet, y(-1 ; x2)=-0.1 et y(+1 ; x2)= +0.1<br />
On mesure expérimentalement :<br />
-pour x1=-1 et x2==-1, on obtient y=-0.1<br />
-pour x1=-1 et x2==1, on obtient y=-0.1<br />
-pour x1=1 et x2==-1, on obtient y= +0.1<br />
-pour x1=1 et x2==1, on obtient y=-0.1<br />
En résolvant le système de 4 équations à 4 inconnues, on obtiendra :<br />
a0 = 0<br />
a 1 = 0.1<br />
a 2,= 0<br />
a 12= 0<br />
cad y = 0+ 0.1x1+ 0*x2+ 0*x1 x2= 0.1x1<br />
Les conclusions du plan d’expériences laisseraient penser que les points bas se situent sur la droite<br />
d’équation x1==-1.alors que, en réalité, l’ensemble des points bas est la droite x1==-0.1/200=-0.0005≈0.<br />
On voit bien dans cet exemple les limites du modèle. Plus généralement, le modèle « y= a 0+ a 1 x1+<br />
a 2 x2+ a 12 x1 x2 » est trompeur notamment pour considérer les fonctions caractérisées par de grandes<br />
fluctuations, lorsque les coupes verticales du graphe y=f(x1 ; x2) parallèles aux axes (O x1) et (O x2)<br />
26
donnent des courbes très fluctuantes par rapport à la pente moyenne (lorsque nous sommes proches d’un<br />
maximum ou d’un minimum).<br />
27
V Plans d’expériences à trois niveaux<br />
Plan complet 3 2<br />
y = a0+ a1 x1 + a2 x2 + a12 x1x2 + a11 x1 2 + a22 x2 2 + a112 x1 2 x2 + a122 x1x2 2 + a1122 x1 2 x2 2<br />
En prenant : x1 ∈ { −1<br />
; 0;<br />
+ 1}<br />
x2 ∈ { −1<br />
; 0;<br />
+ 1}<br />
nous obtenons un système de 9 équations à 9 inconnues, : a0, a1 , a2, a12 , a11, a22, a112, a122, a1122 ,<br />
que l’on peut écrire :<br />
⎛ y1<br />
⎞ ⎛ 1<br />
⎜ ⎟ ⎜<br />
⎜ y2<br />
⎟ ⎜ 1<br />
⎜<br />
y<br />
⎟ ⎜<br />
⎜ 3 ⎟<br />
1<br />
⎜<br />
⎜ y4<br />
⎟ ⎜ 1<br />
⎜ ⎟<br />
=<br />
⎜<br />
⎜ y5<br />
⎟ ⎜<br />
1<br />
⎜ y ⎟ ⎜ 6 1<br />
⎜ ⎟ ⎜<br />
⎜ y7<br />
⎟ ⎜ 1<br />
⎜ y ⎟ ⎜ 1<br />
8 ⎜ ⎟<br />
⎜ ⎟<br />
⎜<br />
⎝ y ⎠ ⎝ 1<br />
9<br />
−1<br />
_1<br />
−1<br />
0<br />
0<br />
0<br />
1<br />
1<br />
1<br />
−1<br />
0<br />
1<br />
−1<br />
0<br />
1<br />
−1<br />
0<br />
1<br />
1<br />
0<br />
−1<br />
0<br />
0<br />
0<br />
−1<br />
0<br />
1<br />
1<br />
1<br />
1<br />
0<br />
0<br />
0<br />
1<br />
1<br />
1<br />
1<br />
0<br />
1<br />
1<br />
0<br />
1<br />
1<br />
0<br />
1<br />
−1<br />
0<br />
1<br />
0<br />
0<br />
0<br />
−1<br />
0<br />
1<br />
−1<br />
0<br />
−1<br />
0<br />
0<br />
0<br />
1<br />
0<br />
1<br />
1<br />
0<br />
1<br />
0<br />
0<br />
0<br />
1<br />
0<br />
1<br />
⎞<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎠<br />
28<br />
⎛a<br />
0<br />
⎜<br />
⎜a1<br />
⎜<br />
a2<br />
⎜<br />
⎜a<br />
⎜<br />
⎜a<br />
⎜a<br />
⎜<br />
⎜a<br />
⎜a<br />
⎜<br />
⎝a<br />
12<br />
11<br />
22<br />
112<br />
122<br />
1122<br />
⎞<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎟<br />
⎠
VI Application : plans d’expériences appliqués aux transports<br />
Influence de différents facteurs sur le nombre de kilomètres parcourus par des véhicules utilitaires<br />
légers<br />
Le but de cette étude est de voir, à partir d’une enquête réelle, s’il aurait été possible d’utiliser<br />
les plans d’expériences pour obtenir des résultats sur l’influence de facteurs sans effectuer tous les essais<br />
qui ont été réalisés, autrement dit d’obtenir la même information avec moins d’essais. Ma démarche est la<br />
démarche inverse des expérimentateurs. En effet, ceux-ci construisent un plan d’expériences avant<br />
d’effectuer les essais (afin de limiter le nombre d’essais). Ici, nous avons déjà le tableau de valeurs et nous<br />
cherchons à savoir comment nous aurions pu utiliser les plans d’expériences pour limiter le nombre<br />
d’essais. L’intérêt de cette étude consiste notamment à évaluer sur ce cas réel la fiabilité du modèle<br />
polynomial fourni par un plan d’expériences adapté. Nous commencerons donc par construire un tel plan.<br />
Puis nous évaluerons la qualité des résultats fournis par ce plan d’expériences.<br />
1) Tableau initial<br />
Le tableau de valeurs initial est fourni par une enquête sur plus de 10 000 véhicules utilitaires légers.<br />
Il présente certaines caractéristiques de chacun d’eux, en particulier leur PTAC (poids total autorisé en<br />
charge), la charge utile (poids maximum de marchandises pouvant être transportées par le véhicule), la<br />
marque, la date de mise en circulation, la consommation pour 100 km et le nombre de kilomètres<br />
parcourus durant l’année 2000. On restreint l’étude aux seuls fourgons aux parois et toit rigide et de<br />
marque Renault, Peugeot, Citroen ou Mercedes. Et nous cherchons à connaître l’influence de différents<br />
facteurs sur le nombre de kilomètres parcourus durant l’année 2000.<br />
2) Sélection et choix des facteurs<br />
Je retire les individus (c’est-à-dire les véhicules) dont les données sont aberrantes ou non<br />
représentatives : déjà ceux dont le PTAC>3.5 tonnes (en effet, par définition des véhicules utilitaires<br />
légers, leur PTAC est inférieur à 3.5 tonnes). Je supprime également les véhicules dont la date de mise en<br />
circulation est 2000. En effet, leur nombre de kilomètres parcourus durant l’année 2000 n’est de fait pas<br />
représentatif.<br />
En ce qui concerne le choix des facteurs, je cherche à savoir entre autre, si le fait que le véhicule<br />
soit de marque Renault ou non influe sur la réponse, c’est-à-dire sur le nombre de kilomètres parcourus<br />
par an (en 2000). J’associe donc la valeur « 1 » aux véhicules « Renault » et « -1 » aux autres. Les 5<br />
facteurs choisis seront les suivants :<br />
-x1= code marque (Renault ou pas Renault) : x1=+1 si marque=Renault<br />
x1=-1 sinon<br />
-x2= PTAC<br />
-x3= charge utile<br />
-x4= date de mise en circulation<br />
-x5=consommation<br />
Ces 5 facteurs peuvent influer sur la réponse. L’un est une variable discrète : le code marque. Les<br />
autres sont des variables continues.<br />
3) Indépendance des facteurs<br />
Ces 5 facteurs ne sont pas indépendants. En effet, la charge utile (poids des marchandises pouvant<br />
être transportées) est naturellement proportionnelle au poids du véhicule. Plus le véhicule est gros, plus il<br />
sera lourd et plus il pourra transporter de marchandises.<br />
Le facteur «charge utile » doit donc être remplacé par le facteur «charge utile/PTAC » noté<br />
« CU/PTAC ».<br />
De même, la consommation est globalement proportionnelle au poids du véhicule. Le facteur<br />
«consommation» doit donc être remplacé par le facteur ««consommation/PTAC » noté « Conso/PTAC ».<br />
Les 5 facteurs retenus sont ainsi :<br />
29
-x1= code marque (Renault ou pas Renault)<br />
-x2= PTAC<br />
-x3= CU/PTAC (charge utile divisée par le poids)<br />
-x4= date de mise en circulation<br />
-x5=conso/PTAC : consommation divisée par le poids<br />
Et la réponse reste inchangée :y= nombre de kilomètres parcourus par chacun des véhicules durant<br />
l’année 2000.<br />
4) tests et sélection<br />
A ce stade, il reste encore des véhicules aux valeurs aberrantes. On élimine notamment les véhicules<br />
dont le rapport «charge utile/PTAC » est inférieur à 0.25 ou supérieur à 0.5. En effet, les véhicules tels que<br />
«CU/PTAC 0.5» sont à priori<br />
théoriquement introuvables : physiquement, il serait étonnant qu’un véhicule puisse transporter des<br />
marchandises de poids aussi élevé que le poids à vide (cad la moitié du poids total autorisé en charge).<br />
Par ailleurs, en réalité, ce n’est pas le PTAC lui-même, mais plutôt le logarithme du PTAC qui a de<br />
l’importance (par exemple quand on multiplie le PTAC par2). On change donc le deuxième facteur : « x2=<br />
PTAC » devient « x2= log(PTAC) ».<br />
5) Centrer-réduire<br />
On calcule la moyenne et l’écart-type de chaque facteur. On centre et on réduit les variables. On<br />
note x1’=( x1-m1)/σ1 la variable centrée réduite déduite de x1 et même chose pour les autres facteurs. x1’<br />
est de moyenne 0 et d’écart-type 1.<br />
6) bijection vers [-1 ;1]<br />
Comme nous venons de le souligner, après avoir centré-réduit les variables, on obtient des variables de<br />
moyenne 0 et d’écart-type 1. La majeure partie des valeurs prises par x1’ (par exemple) sont dans<br />
l’intervalle [-1 ;1], mais pas toutes. Les valeurs de x1’ non comprises dans l’intervalle [-1 ;1]<br />
correspondent aux valeurs de x1 non comprises dans l’intervalle [m1- σ1 ; m1+ σ1 ]. Il faut garder ces<br />
valeurs extrêmes et surtout pas les retirer car elles correspondent aux points extrêmes (sommets du cube)<br />
qui vont servir au plan d’expériences.<br />
Cependant, on veut obtenir des variables à valeurs dans [-1 ;1]. Pour cela, on leur applique une<br />
fonction bijective à valeurs dans [-1 ;1], par exemple la fonction tangente hyperbolique (tanh). On obtient<br />
ainsi des variables à valeurs dans [-1 ;1]. Par ailleurs, on ne garde que 3 facteurs<br />
Les facteurs sont donc :<br />
-x1= code marque (Renault ou pas Renault), inchangé depuis le début<br />
-x2= tanh [(log(PTAC))cr]<br />
-x3= tanh [(date)cr] : la tangente hyperbolique de la date centrée réduite<br />
( on ne se souciera dans la suite que de l’influence de ces 3 facteurs, quitte à étudier celle des 2 autres<br />
facteurs dans une autre étude).<br />
On cherche les variations de la réponse y (nombre de kilomètres parcourus durant l’année 2000) en<br />
fonction de ces 3 facteurs.<br />
7) Sélection des points extêmaux : plan complet 2 3<br />
On ne garde que les véhicules tels que x1=-1ou1, x20.6, x30.6 c’est-à-dire<br />
les points qui correspondent aux coins du cube.<br />
Les valeurs de x2 telles que x2 0.6 appartiennent à l’intervalle [0.6 ;1] sont donc voisines<br />
de 0.8. On a alors x2=0.8 environ. On écrit alors « x2/0.8 =1 » noté désormais « x2 =1 ».<br />
Même démarche pour x3.<br />
30
Et on a toujours x1=-1ou 1.<br />
On obtient ainsi un plan complet 2 3 : un plan à 2 niveaux et 3 facteurs.<br />
x1 =-1 ou +1, x2 =-1 ou +1, x3 =-1 ou +1.<br />
On fait ensuite successivement les 8 sélections :<br />
- 1 ère sélection : x1 =-1, x2 =-1, x3 =-1 (les 3 facteurs sont au niveau bas)<br />
On obtient une petite centaine de véhicules. On calcule la moyenne et l’écart-type. On trouve une<br />
moyenne y1= 12003 et un écart-type de 8403.<br />
- 2ème sélection : x1 =-1, x2 =-1, x3 =1<br />
…<br />
-8ème sélection : x1 =1, x2 =1, x3 =1 (les 3 facteurs sont au niveau haut)<br />
Cf II plan complet 2 3<br />
Le vecteur réponse est :<br />
y1 =12003<br />
y2 =12402<br />
y3 =14361<br />
y4 =18764<br />
y5 =25997<br />
y6 =19503<br />
y7 =49995<br />
y8 =44696<br />
On renverse le système y=Xa du II pour trouver le vecteur des effets a :<br />
a 0= 24 712<br />
a 1= -874<br />
a 2= 7 239<br />
a 3= 10 333<br />
a 12= 650<br />
a 13= -2 074<br />
a 23= 5 059<br />
a 123= -351<br />
avec une variance V(a 0)=V(a 1)=…=V(a 123)=(1/8)*[V(y1)+V(y 2)+…+V(y8)]<br />
et un écart-type σ=21 775<br />
On en déduit que les facteurs influents sont x2et x3 c’est-à-dire la date de mise en circulation et le<br />
log(PTAC).<br />
- plus le véhicule est récent, plus il parcourt de kilomètres par an (en 2000)<br />
- plus le véhicule a un PTAC plus il parcourt de kilomètres<br />
Par contre le facteur « Renault »ou « pas Renault » peut être jugé sans influence notable car la valeur<br />
absolue de a 1 est faible, inférieure à l’écart-type.<br />
Don y peut être modélisable par le modèle polynomial suivant :<br />
y= a 0+ a 2 x2+ a 3 x3+ a 23 x2 x3= 24 715+7 239 x2+ 10 333 x3+ 5 059x2 x3 avec x2 et x3 les facteurs<br />
centrés-réduits.<br />
Il est à noter que l’interaction a 23= 5 059 est importante. Ainsi, quand la date et le PTAC augmentent<br />
simultanément, le nombre de kilomètres parcourus durant l’année 2000 augmente plus que linéairement :<br />
c’est l’effet cumulé des 2 facteurs.<br />
8) plan fractionnaire<br />
On obtient :<br />
l 0= a 0+ a 123=24 364<br />
l 1= a 1+ a 23=4 185<br />
l 2= a 2+ a 13=5 165<br />
31
l 3= a 3+ a 12=10 982<br />
avec un écart-type de 38220.<br />
Il faut ensuite faire des hypothèses . Si on suppose que, en valeur absolue a 123
CONCLUSION<br />
En conclusion, les plans d’expériences à 2 niveaux constituent un moyen rapide et efficace pour<br />
trouver les effets des facteurs sur la réponse avec un nombre limité d’essais. Ils donnent des résultats<br />
plutôt satisfaisants lorsque la réponse est effectivement modélisable par le modèle polynomial du plan<br />
d’expérience.<br />
Dans le cas de l’exemple du bitume, nous avons pu effectuer le plan complet 2 5 avec seulement 8<br />
essais.<br />
Dans le cas du nombre de kilomètres parcourus par les véhicules utilitaires légers, l’utilisation d’un<br />
plan d’expériences par l’expérimentateur n’aurait pas été tellement bienfaitrice. Elle aurait permis<br />
néanmoins de réaliser seulement 800 essais ( 8 x 100 essais pour chaque coin du cube) voire moins, au<br />
lieu de 3.200 si on avait pris toutes les valeurs.<br />
Les plans d’expériences présentent un intérêt vis-à-vis de la variance des facteurs, c’est-à-dire qu’à<br />
partir de peu d’essais, on obtient une certaine précision.<br />
Les plans fractionnaires, qui nécessitent encore moins d’essais mais sont moins précis, donnent une<br />
idée de l’influence des facteurs mais font appel à l’intelligence de l’expérimentateur pour faire les bonnes<br />
hypothèses pour les simplifications.<br />
Les plans à trois niveaux présentent l’avantage par rapport aux plans à deux niveaux de prendre en<br />
compte l’influence quadratique mais demandent plus d’essais.<br />
L’enjeu actuellement consiste à trouver des domaines d’application aux plans d’expérience dans des<br />
secteurs variés comme la chimie ou l’agriculture mais la difficulté est la suivante : les plans d’expériences<br />
à deux niveaux ne nécessitent que 2 n essais (n étant le nombre de facteurs) seulement lorsque la<br />
dispersion de la réponse au niveau des sommets de l’hypercube est faible, ce qui n’était pas le cas dans<br />
l’exemple des véhicules utilitaires légers.<br />
33
ANNEXE : REFLEXIONS SUPPLEMENTAIRES<br />
Plan 2 2 : interprétation géométrique<br />
Essayons de comprendre la signification des termes du modèle polynomial adapté à 2 facteurs : y= a 0+ a 1<br />
x1+ a 2 x2+ a 12 x1 x2<br />
- influence du terme bilinéaire a 12 x 1 x 2<br />
S’il n’y avait pas ce terme d’interaction, le modèle polynomial serait :<br />
y= a 0+ a 1 x1+ a 2 x2. La surface de réponse serait donc plane.<br />
Pour x2=-1 (fixé), y= a 0+ a 1 x1- a 2<br />
Pour x2=0 (fixé), y= a 0+ a 1 x1<br />
Pour x2=-1 (fixé), y= a 0+ a 1 x1+ a 2<br />
La droite donnant y=f(x1) reste une droite toujours de même pente (pente = a 1) mais se trouve<br />
progressivement translatée verticalement au fur et à mesure que x2 augmente. Ainsi la surface ABCD<br />
forme un parallélogramme (plan).<br />
Ajoutons maintenant le terme d’interaction a 12 x1 x2. Ce terme est proportionnel à x1 x2. La<br />
fonction g : ( x1 ; x2)→ x1 x2 est une fonction bien connue des mathématiciens et est appelée<br />
communément la fonction « selle de cheval ».<br />
Fixons x2 . A x2 fixé, y est proportionnelle à x1. On obtient donc une droite.<br />
Pour x2=-1 (fixé), y= - x1. Il s’agit de la droite passant par l’origine et de pente -1.<br />
Pour x2=0 (fixé), y= 0. Il s’agit de la droite passant par l’origine et de pente nulle, confondue avec l’axe<br />
(Ox).<br />
Pour x2=1 (fixé), y= x1. Il s’agit de la droite passant par l’origine et de pente 1.<br />
34
Ainsi, si l’on s’intéresse à l’évolution de la droite y=f(x1) au fur et à mesure que x2 augmente, on<br />
s’aperçoit que la droite tourne autour de l’ axe (O x2) pour passer de la pente -1 à la pente +1. J’ai<br />
représenté en noir dans le graphe ci-dessous les valeurs prises par y= x1 x2 en pour différentes valeurs de<br />
x1 et x2<br />
Le point (0 ; 0 ; 0) est un col. En effet, c’est un point bas par rapport à la coupe verticale suivant le plan de<br />
la première bissectrice et un point haut par rapport à la coupe verticale suivant le plan de la deuxième<br />
bissectrice.<br />
On en déduit l’allure de la fonction ( x1 ; x2) → a 12 x1 x2 en multipliant la fonction « selle de<br />
cheval » par a 12 qui peut être soit positif soit négatif.<br />
La surface de réponse du modèle polynomial adapté à 2 facteurs : y= a 0+ a 1 x1+ a 2 x2+ a 12 x1 x2 est<br />
obtenue en faisant la somme des ordonnées du parallélogramme (modèle y= a 0+ a 1 x1+ a 2 x2) et de la<br />
selle de cheval ( y= a 12 x1 x2 ). Elle n’est à priori pas plane, sauf si a 12=0. Par contre, il s’agit quandmême<br />
d’une fonction bilinéaire cad linéaire par rapport à chacune des variables.<br />
Remarque : le modèle polynomial « y= a 0+ a 1 x1+ a 2 x2+ a 12 x1 x2 » parait à priori étonnant. L’intuition<br />
nous amènerait à choisir plutôt un modèle du type « y= a 0+ a 1 x1+ a 2 x2 » ,cad du premier ordre, ou, si<br />
l’on veut être plus précis « y= a 0+ a 1 x1+ a 2 x2+ a 12 x1 x2+ a 11 x1 2 + a 22 x2 2 », cad du deuxième ordre.<br />
Le modèle polynomial « y= a 0+ a 1 x1+ a 2 x2+ a 12 x1 x2 » utilisé pour les plans d’expériences à 2 niveaux<br />
et 2 facteurs n’est en réalité ni du premier ordre ni du second ordre. Il prend en compte le terme<br />
d’interaction a 12 x1 x2 et néglige les termes a 11 x1 2 et a 22 x2 2 alors qu’ils sont du même ordre. Cela peut<br />
paraître contradictoire. Cependant, la raison de son utilisation est la suivante : on cherche à avoir autant<br />
d’inconnues que d’équations. Pour un plan complet 2 2 , nous avons 4 équations. Ce système permet de<br />
déterminer 4 effets, d’où l’ajout du facteur a 12, qui peut être utile pour connaître l’effet cumulé,<br />
l’interaction de 2 facteurs.<br />
Il en est de même pour les plans 2 3 à 2 niveaux et 3 facteurs. Ceux-ci s’appuient sur 8 essais et<br />
permettent donc de déterminer 8 facteurs. Le modèle polynomial est également ni tout-à-fait du premier<br />
ordre ni deuxième ordre : « y= a 0+ a 1 x1+ a 2 x2+ a 3 x3+a 12 x1 x2+ a 13 x1 x3 + a 23 x2 x3++ a 123 x1 x2 x3<br />
».<br />
C’est le cas, plus généralement, des plans 2 n , où n désigne le nombre de facteurs.<br />
Il et à noter que les plans 3 2 à 3 niveaux et 2 facteurs sont, quant-à-eux, d’ordre intermédiaire entre<br />
le deuxième et le troisième ordre:<br />
« y= a 0+ a 1 x1+ a 2 x2+ a 12 x1 x2+ a 11 x1 2 + a 22 x2 2 + a 112 x1 2 x2+ a 122 x1 x2 2 + a 1122 x1 2 x2 2 »<br />
Si on revient au cas du modèle polynomial « y= a 0+ a 1 x1+ a 2 x2+ a 12 x1 x2 » et si on veut un<br />
modèle véritablement du deuxième ordre, on rajouterait un terme en x1 2 et un terme en x2 2 pour obtenir le<br />
modèle suivant : « y= a 0+ a 1 x1+ a 2 x2+ a 12 x1 x2+ a 11 x1 2 + a 22 x2 2 ». L’ajout du terme en x1 2<br />
correspond géométriquement à l’ajout d’une surface de réponse parabolique par rapport à x1 et invariante<br />
par translation selon l’axe (O x2)<br />
35
De même, l’ajout du terme en x2 2 correspond géométriquement à l’ajout d’une surface de réponse<br />
parabolique par rapport à x2 et invariante par translation selon l’axe (O x1)<br />
Cela reviendrait à rajouter ces deux fonctions quadratiques au modèle précédent, ce qui pernettrait<br />
de prendre en compte l’éventuelle non-bilinéarité de la réponse. Cependant, ce modèle « y= a 0+ a 1 x1+ a 2<br />
x2+ a 12 x1 x2+ a 11 x1 2 + a 22 x2 2 » , (satisfaisant intellectuellement car il constitue le développement de<br />
Taylor à l’ordre 2 de la fonction-réponse) présente un problème vis-à-vis de l’expérimentation. Il fait<br />
apparaître 6 coefficients à déterminer expérimentalement : a 0, a 1 , a 2 , a 12 , a 11 , a 22 donc nécessite 6<br />
expériences ou plus. On ne peut plus alors choisir un plan à 2 niveaux avec chacun des facteurs au niveau<br />
+1 ou -1. Il faut prendre 3 niveaux : -1 ; 0 et +1 afin de prendre en compte l’influence quadratique. Si on<br />
choisit le plan 3 2 , nous obtenons un système de 8 équations et seulement 6 inconnues, ce qui signifie que 2<br />
équations sont en trop.<br />
Nous voyons ainsi la complexité de l’expérimentique associée au modèle polynomial « y= a 0+ a 1 x1+<br />
a 2 x2+ a 12 x1 x2+ a 11 x1 2 + a 22 x2 2 » et plus généralement aux modèles polynomiaux d’ordre n. Des<br />
chercheurs proposent des plans pour de tels modèles, mais beaucoup plus compliqués que les plans à 2 ou<br />
3 niveaux.<br />
Une astuce consiste néanmoins à utiliser le plan 3 2 avec le modèle :<br />
« y= a 0+ a 1 x1+ a 2 x2+ a 12 x1 x2+ a 11 x1 2 + a 22 x2 2 + a 112 x1 2 x2+ a 122 x1 x2 2 + a 1122 x1 2 x2 2 », à mesurer la<br />
réponse expérimentalement aux 9 points du domaine d’étude :<br />
Grâce au système de 9 équations à 9 inconnues, on trouve les effets a0 , a 1 , a 2, a 12 , a 11 , a22, a 112 , a 122<br />
et a 1122 . Puis on néglige les termes a 112 , a 122 et a 1122.<br />
36
SOMMAIRE<br />
Introduction………………………………………………………………………………………………...1<br />
I Introduction aux plans à deux facteurs………………………………………………………………....1<br />
a) La démarche « naturelle », sans plan d’expériences………………………………………………....….2<br />
b) La démarche novatrice, par les plans d’expériences……………………………………………………2<br />
II Plans à deux niveaux- 3 facteurs…………………………………………………………………...…7<br />
1) Plan complet à 2 niveaux et 3 facteurs…………………………………………………………...…….7<br />
a) Concept………………………………………………………………………………………...…..7<br />
b) Application 1……………………………………………………………………………...………..8<br />
c) application 2…………………………………………………………………………...…………....9<br />
2) Plan fractionnaire à 2 niveaux et 3 facteurs…………………………………………………...………10<br />
a) principe………………………………………………………………………………..…………10<br />
b) application 1 : stabilité du bitume………………………………………………………………....12<br />
III Plans à deux niveaux et 5 facteurs : 2 5 …………………………………………………………..….13<br />
Principe et application………………………………………………………………………………….….13<br />
Plan factoriel 2 5-2 : 5 facteurs x1, x2, x3 x4, x5…………………………………………………………….. 14.<br />
1) ma méthode avec comme aliases : sg (x1, x2, x3 x4, x5) =1 et sg ( x1)=1……………………………...14<br />
2) la méthode du cours : avec comme aliases sg (x1, x2, x3) = sg (x4) et sg (x5) = sg (x1, x3)…………18<br />
IV Réflexions sur les plans d’expériences complets et fractionnaires à 2 niveaux…………………...24<br />
1) Les avantages…………………………………………………………………………………………24<br />
a) Les avantages généraux…………………………………………………………………………..24<br />
b) La précision………………………………………………………………………………………24<br />
2) Limites des plans à 2 niveaux……………………………………………………………………...…26<br />
V Plans d’expériences à trois niveaux……………………………………………………………….….28<br />
VI Application : plans d’expériences appliqués aux transports………………………………………29<br />
Influence de différents facteurs sur le nombre de kilomètres parcourus par des véhicules utilitaires légers<br />
Conclusion…………………………………………………………………………………………………3<br />
Annexe : réflexions supplémentaires………………………………………………………………………34<br />
37
BIBLIOGRAPHIE<br />
- Modélisation par les plans d’expériences de Jacques Goupy<br />
- Plans d’expériences de Jacques Goupy<br />
- Thèse de Stéphane Vivier, Centrale Lille, Université des Sciences et Technologies de Lille :<br />
« stratégies d’optimisation par la méthode des plans d’expériences et application aux dispositifs<br />
électrotechniques modélisés par les éléments finis » :<br />
thèse soutenue le 11/07/2002 en vue d’obtenir le grade de docteur en Génie Electrique<br />
- cours de Fabien Picaud sur les plans d’expériences, IUT de Chimie, année 2000-2001 :<br />
« Méthodologie expérimentale : les plans d’expériences »<br />
Les deux derniers documents sont disponibles sur Internet (Google).<br />
38