Cours Optimisation Des Procedes Master 2 Si

M.
KALIDOU BA /ESP/UCAD/ COURS PE/2023
PLANIFICATION EXPERIMENTALE:
LES PLANS D’EXPERIENCES
MASTER2 SI
M. KALIDOU BA /ESP/UCAD/ COURS PE/2023
INTRODUCTION
La planification expérimentale regroupe un ensemble de techniques statistiques destinées à
analyser le comportement d’un système expérimental dans le but d’en comprendre et d’en
améliorer le fonctionnement. Dans le domaine industriel, les plans expérimentaux peuvent
servir de méthode pour l’optimisation de procédés de fabrication ainsi que pour la formulation
de produits. Un dispositif expérimental peut être considéré comme un système délivrant une ou
plusieurs réponses. La réponse du système dépend d’un certain nombre de facteurs.
Les variables d’entrée du système, dont nous supposerons qu’elles peuvent

varier indépendamment les unes des autres, sont appelées facteurs.
Nous distinguons les facteurs contrôlés de ceux non contrôlés (connus ou
non), dont nous ne pouvons plus fixer librement les valeurs.
Les réponses du système sont constituées des variables d’intérêt dans la
phase d’optimisation.
3
Objectifs des plans d’expériences

Les plans d'expériences permettent d'organiser au mieux les essais qui
accompagnent une recherche scientifique ou des études industrielles.
Ils sont applicables dans de nombreux domaines et à toutes les
industries à partir du moment où l’on recherche le lien qui existe entre
une grandeur d’intérêt y et des variables xi .
𝑦 = 𝑓(𝑥𝑖 )
L’utilisation des plans d'expériences permet d’obtenir le maximum de

renseignements avec le minimum d'expériences. Pour cela, il faut suivre des
règles mathématiques et adopter une démarche rigoureuse. Il existe de
nombreux plans d'expériences adaptés à tous les cas rencontrés par un
expérimentateur. La compréhension de la méthode des plans d'expériences
s'appuie sur deux notions essentielles, celle d'espace expérimental et celle de
modélisation mathématique des grandeurs étudiées.
Notion d'espace expérimental
Un expérimentateur qui lance une étude s'intéresse à une grandeur qu'il

mesure à chaque essai. Cette grandeur s'appelle la réponse, c'est la grandeur
d'intérêt. La valeur de cette grandeur dépend de plusieurs variables appelée
facteurs. La réponse dépend donc d’ un ou de plusieurs facteurs. Le premier
facteur peut être représenté par un axe gradué et orienté. La valeur donnée à
un facteur pour réaliser un essai est appelée niveau. Lorsqu'on étudie
l'influence d'un facteur, en général, on limite ses variations entre deux bornes.
La borne inférieure est le niveau bas. La borne supérieure est le niveau haut.
L'ensemble de toutes les valeurs que peut prendre le facteur entre le niveau bas et le
niveau haut, s'appelle le domaine de variation du facteur ou plus simplement le
domaine du facteur.
On a l'habitude de noter le niveau bas par –1 et le niveau haut par +1. S'il
y a un second facteur, il est représenté, lui aussi, par un axe gradué et
orienté. On définit, comme pour le premier facteur, son niveau haut, son
niveau bas et son domaine de variation. Ce second axe est disposé
orthogonalement au premier. On obtient ainsi un repère cartésien qui
définit un espace euclidien à deux dimensions. Cet espace est appelé
l'espace expérimental.
9
10
Le niveau x1 du facteur 1 et le niveau x2 du facteur 2 peuvent être considérés

comme les coordonnées d'un point de l'espace expérimental (Figure 3). Une
expérience donnée est alors représentée par un point dans ce système d'axes. Un
plan d'expériences est représenté par un ensemble de points expérimentaux. Le
regroupement des domaines des facteurs définit le «domaine d'étude». Ce
domaine d'étude est la zone de l'espace expérimental choisie par l'expérimentateur
pour faire ses essais.
11
12
Les différents types de facteurs
La construction des plans et l’interprétation des résultats dépendent

en grande partie des types de facteurs rencontrés dans l’étude. On
distingue plusieurs types de facteurs: les facteurs continus, les
facteurs discrets, les facteurs ordonnables, les facteurs booléens.
13
Facteurs continus
La pression est un exemple de facteur continu. Dans un intervalle
de pression donné, on peut choisir toutes les valeurs possibles. Il
en est de même d’une longueur, d’une concentration ou d’une
température. Les valeurs prises par les facteurs continus sont donc
représentées par des nombres continus.
14
Facteurs discrets
Les facteurs discrets ne peuvent prendre que des valeurs

particulières. Ces valeurs ne sont pas forcément numériques :
on peut représenter un facteur discret par un nom, une lettre,
une propriété ou même par un nombre qui n’a alors en soi
aucune valeur numérique mais qu’une signification de repère.
15
Facteurs ordonnables
Il s’agit de facteurs discrets que l’on peut mettre dans un ordre

logique.
Facteurs booléens
Les facteurs booléens sont des facteurs discrets qui ne peuvent

prendre que deux valeurs.
16
Variables centrées réduites
Lorsqu’on attribue la valeur -1 au niveau bas d’un facteur et la valeur

+1 au niveau
haut, on effectue deux modifications importantes :
➢ On déplace l’origine des mesures.
➢ On change l’unité de mesure.
17
Ces deux modifications entraînent l’introduction de nouvelles variables que l’on

appelle variables centrées réduites (v.c.r) : centrées pour indiquer le changement
d’origine et réduites pour signaler la nouvelle unité. On utilise également le terme
de variables codées ou d’unités codées. Le passage des variables d’origine A aux
variables codées x, et inversement, est donné par la formule suivante (A0 est la
valeur centrale en unités courantes).
𝐴 − 𝐴0
𝑥=
𝑃𝑎𝑠
18
EXERCICE D’APPLICATION
Un expérimentateur choisit pour le facteur « vitesse de la voiture »
80 km/h comme niveau bas et 120 km/h comme niveau haut. Quelle
est, en variables codées, la valeur de la vitesse de 90 km/h ?
Quelle est, en unités normales, la valeur de la vitesse de +0,5 en
unités codées ?
19
Surfaces de réponse
À chaque point du domaine d’étude correspond une réponse. À l’ensemble de
tous les points du domaine d’étude correspond un ensemble de réponses qui se
localise sur une surface appelée surface de réponse. En général, on ne connaît
que quelques réponses, celles qui correspondent aux points expérimentaux
retenus par l’expérimentateur. On interpole à l’aide d’un modèle mathématique,
les réponses inconnues pour obtenir la surface de réponse.
20
Les points d’expériences retenus par la théorie

des plans d’expériences assurent la meilleure
précision possible sur la forme et la position de
la surface de réponse.
21
Modélisation mathématique
En l’absence de toute information sur la fonction qui lie la réponse aux facteurs,
on se donne a priori une loi d’évolution dont la formulation la plus générale est la
suivante :
𝑦 = 𝑓(𝑥1 , 𝑥2 , 𝑥3 , … … … , 𝑥𝑛 )
Cette fonction est trop générale et il est d’usage d’en prendre un développement
limité de Taylor-Mac Laurin, c’est-à-dire une approximation.
22
𝑦 = 𝑎0 + σ 𝑎𝑖 𝑥𝑖 + σ 𝑎𝑖𝑗 𝑥𝑖 𝑥𝑗 + σ 𝑎𝑖𝑖 𝑥𝑖2 + ⋯

Où :
✓ y est la grandeur à laquelle s’intéresse l’expérimentateur ;
c’est la réponse ou la grandeur d’intérêt ;
✓ xi représente un niveau du facteur i ;
✓ xj représente un niveau du facteur j ;
✓ a0, ai, aij, aii sont les coefficients du polynôme.
23
Deux compléments doivent être apportés à ce modéle purement mathématique. Le

premier complément est le manque d’ajustement. Cette expression traduit le fait
que le modèle choisi par l’expérimentateur avant les expériences est probablement
un peu différent du modèle réel qui régit le phénomène étudié. Il y a un écart entre
ces deux modèles. Cet écart est le manque d’ajustement (lack of fit en anglais), on
le note par la lettre Δ. Le second complément est la prise en compte de la nature
aléatoire de la réponse
24
En effet, dans le cas général, si l’on mesure plusieurs fois

une réponse en un même point expérimental, on
n’obtiendra pas exactement le même résultat. Il y a une
dispersion des résultats. Les dispersions ainsi constatées
sont appelées erreurs aléatoires ou erreurs expérimentales
(pure error en anglais) et on les note par la lettre ε.
𝑦 = 𝑓 𝑥1 , 𝑥2 , 𝑥3 , … … … , 𝑥𝑛 + 𝛥 + 𝜀
25
Chaque point expérimental apporte une valeur de la réponse. Or cette

réponse est modélisée par un polynôme dont les coefficients sont les
inconnues qu’il faut déterminer. À la fin du plan d’expériences, on a un
système de n équations (s’il y a n essais) à p inconnues (s’il y a p
coefficients dans le modèle choisi a priori). Ce système s’écrit d’une
manière simple en notation matricielle :
𝑦 = 𝑋𝑎 + 𝑒
26
✓ y est le vecteur des réponses ;

✓ X est la matrice de calcul des coefficients ou matrice du
modèle qui dépend des points expérimentaux choisis pour
exécuter le plan et du modèle postulé ;
✓ a est le vecteur des coefficients ;
✓ e est le vecteur des écarts.
27
Ce système ne peut pas, en général, être résolu simplement car le nombre d’équations
est inférieur au nombre d’inconnues. En effet, il y a n équations et p + n inconnues.
Cette résolution ne peut être menée à bien que si l’on utilise une méthode de
régression. La plupart du temps cette méthode est basée sur le critère d’optimisation
des moindres carrés. On obtient ainsi les estimations des coefficients que l’on note â.
â = (𝑋 ′ 𝑋)−1 𝑋′𝑦
✓ (𝑋 ′ 𝑋) : La matrice d’information ;
✓ (𝑋 ′ 𝑋)−1 : La matrice de dispersion.
28
Types de plans d’expériences

Afin de subvenir aux besoins que peut rencontrer l’experimentateur pour
mener son étude, différents plans d’experiences peut être utiliser.
✓ Plans factoriels complets à deux niveaux ;
✓ Plans factoriels fractionnaires à deux niveaux ;
✓ Autres plans à deux niveaux ;
✓ Plans pour surfaces de réponse ;
29
Plans factoriels complets à deux niveaux

Ces plans possèdent un nombre de niveaux limité à deux
pour chaque facteur. Toutes les combinaisons de niveaux
sont effectuées au cours de l'expérimentation. Ces plans
peuvent être utilisés indistinctement pour les variables
continus et pour les variables discrètes.
30
Plans factoriels à k facteurs à 2 niveaux

On peut augmenter le nombre de facteurs. L'espace expérimental possède
autant de dimensions qu'il y a de facteurs et le modèle mathématique
correspond à la relation.
Un plan comportant k facteurs à deux niveaux est noté 2k.
✓ Le k en exposant signifie qu'il y a k facteurs étudiés.
✓ Le 2 indique le nombre de niveaux par facteur.
31
Calcul des effets principaux et interactions
Chaque effet principal est défini comme la différence entre les moyennes des réponses
pour les niveaux +1 et –1 du facteur considéré. En d’autres termes, nous appelons effet
d’un facteur, l’incidence moyenne sur la réponse, d’un changement de niveau de ce
facteur (passage du niveau –1 auniveau +1).
A partir des données des tableaux 1 et 2 présentés ci-dessus, nous pouvons calculer :
32
Signification du coefficient constant: a0

Pour trouver la signification du coefficient constant a0, il suffit de donner la
valeur 0 (unités codées) aux niveaux des deux facteurs. Le point
représentatif de l’expérience correspondante est alors au centre du domaine
d’étude et la réponse en ce point a pour valeur y0.
33
34
La relation {2.1} devient :

y = a0 + a1 * 0 + a2 * 0 + a12 *0 *0
y0 = a0
La valeur du coefficient constant a0 est égale à

la réponse au centre du domaine d’étude.
35
Signification du coefficient du facteur 1: a1

Considérons les deux points B et D qui se trouvent au niveau haut du
facteur 1. Les coordonnées de ces points sont, en unités codées :
36
La réponse au point B est y2, réponse que l’on peut écrire en remplaçant les
niveaux par leurs valeurs en unités codées :
37
La réponse au point D est y4 , réponse que l’on peut écrire en remplaçant les
niveaux par leurs valeurs en unités codées :
38
Additionnons les deux réponses y2 et y4 :
Faisons le même calcul pour les points A et C qui se trouvent au niveau bas du
facteur 1 et où les réponses sont respectivement y2 et y3. On obtient :
39
relation que l’on peut écrire :
est la moyenne des réponses au niveau haut du facteur 1. On nomme cette

moyenne ഥ+𝟏
𝒚
est la moyenne des réponses au niveau bas du facteur 1. On nomme cette

moyenne ഥ−𝟏
𝒚
Donc
40
Le coefficient a1 est donc la demi-différence entre la moyenne des réponses au niveau haut
du facteur 1 et la moyenne des réponses au niveau bas du même facteur 1.
Quand on passe du niveau bas au niveau haut, la réponse varie, en moyenne. Si cette
différence est grande, la réponse varie beaucoup, si cette différence est faible, la réponse
varie peu. On a donc là un moyen de savoir comment la réponse varie en fonction du
facteur 1. C’est la raison pour laquelle on appelle le coefficient a1 l’effet du facteur 1.
41
Illustration de l’effet du facteur 1
42
Signification du coefficient du facteur 2: a2

De la même manière, on montre que le coefficient a2 est égal à la variation
moyenne de la réponse quand le facteur 2 passe du niveau zéro au niveau haut. Il
représente l’influence du facteur 2 dans le domaine d’étude. On l’appelle « effet du
facteur 2 ».
D’une manière générale, quand le modèle choisi est un polynôme, les coefficients
des termes du premier degré sont les effets des facteurs.
43
Signification du coefficient a12

On peut calculer le coefficient a12 par une méthode analogue à celle qui a été
utilisée pour les coefficients a1 et a2. On trouve que le coefficient a12 est égale à
44
est l’effet du facteur 1 lorsque le facteur 2 est au niveau haut.

C’est la moitié de la variation de la réponse entre y4 et y3
est l’effet du facteur 1 lorsque le facteur 2 est au niveau bas.

C’est la moitié de la variation de la réponse entre y2 et y1 .
45
46
Le coefficient a12 mesure donc la variation de l’effet du facteur 1 quand le niveau du

facteur 2 est modifié. On peut aussi montrer que le même coefficient a12 mesure
également la variation de l’effet du facteur 2 quand le niveau du facteur 1 est, lui
aussi, modifié.
Le coefficient a12 est appelé l’interaction entre les facteurs 1 et 2.
47
Exemple de calcul des effets principaux

48
49
50
51
Plans factoriels fractionnaires à 2 niveaux 2k-p

Les plans factoriels fractionnaires sont des plans factoriels qui permettent
d'étudier tous les facteurs mais dont le nombre d'essais est réduit par rapport aux
plans factoriels complets. Un plan factoriel fractionnaire à 2 fois moins, ou 4 fois
moins ou 2q fois moins d'essais que le factoriel complet correspondant.
52
➢ Principe de construction des plans fractionnaires 2k-p

1. Choix d’un plan de base à 2k-p essais ;
2. Construction de la matrice des effets du modèle saturé avec
ce plan de base ;
3. Choix des confusions
4. Détermination des confusions résultantes
53
Exemple 1 : A B
➢ Construction d’un plan : 23-1
1 1
Choix d’un plan de base : 22 = 4 essais
1 -1
-1 1
-1 -1
54
Construction de la matrice des effets du modèle saturé
I A B AB
1 1 1 1
1 1 -1 -1
1 -1 1 -1
1 -1 -1 1
55
I A B AB
1 1 1 1
1 1 -1 -1
1 -1 1 -1
1 -1 -1 1
56
Le facteur C est confondu avec l’interaction AB
Détermination des confusions résultantes (confusion d’effet et générateur d’alias)
I A B AB
C= AB CC=ABC I=ABC
ABC BC AC C
(générateur d’alias)
A(I) = A (ABC) → A = BC 1 1 1 1
B (I) = B (ABC) → B = AC
1 1 -1 -1
1 -1 1 -1
1 -1 -1 1
57
Exemple 2 :
A B C
➢ Construction d’un plan : 24-1
✓ Choix d’un plan de base : 23 = 8 essais 1 1 1
1 1 -1
1 -1 1
1 -1 -1
-1 1 1
-1 1 -1
-1 -1 1
-1 -1 -1
58
✓ Construction de la matrice des effets du modèle saturé
I A B C AB AC BC ABC
ABCD BCD ACD ABD CD BD AD D
1 1 1 1 1 1 1 1
1 1 1 -1 1 -1 -1 -1
1 1 -1 1 -1 1 -1 -1
1 1 -1 -1 -1 -1 1 1
1 -1 1 1 -1 -1 1 -1
1 -1 1 -1 -1 1 -1 1
1 -1 -1 1 1 -1 -1 1
1 -1 -1 -1 1 1 1 -1
59
Détermination des confusions résultantes (confusion d’effet et générateur d’alias)
D=ABC DD= ABCD I= ABCD (générateur d’alias)

A(I) = A (ABCD) → A = BCD
B (I) = B (ABCD) → B = ACD
AB (I) = AB (ABCD) → AB = CD
AC (I) = AC (ABCD) → AC = BD
BC (I) = BC (ABCD) → BC = AD
60
Exercice d’application
Construire le plan 25-2 et déterminer le nombre de générateur d’alias.
➢ Résolution d’un plan
La résolution constitue la longueur du plus petit générateur d’alias.
Exemple :
➢ plan : 24-1 I = ABC → Résolution IV
plan : 25-2 I = ABD = BCE = BCDE → Résolution III
61
Autres plans à 2 niveaux

Les plans de Koshal
Les plans de Koshal sont des plans qui permettent de déterminer uniquement les effets
principaux des facteurs. On ne peut pas évaluer les interactions. Le modèle mathématique est
𝑦 = 𝑎0 + σ 𝑎𝑖 𝑥𝑖
Ces plans, peu connus, sont très pratiques pour dégrossir un problème. Ils offrent l'avantage
de donner directement l'effet des facteurs. Ils forment le début d'un plan factoriel qu'il est
toujours loisible de compléter pour obtenir un plan complet ou fractionnaire.
62
63
Les plans de Rechtschaffner
Les plans de Rechtschaffner sont des plans factoriels fractionnaires simplifiés qui
permettent de déterminer les effets des facteurs et les interactions d'ordre deux.
Toutes les autres interactions sont supposées nulles avant même l'expérimentation. Le
modèle mathématique adopté au départ de l'étude est donc :
𝑦 = 𝑎0 + σ 𝑎𝑖 𝑥𝑖 + σ 𝑎𝑖𝑗 𝑥𝑖 𝑥𝑗
Il suffit de choisir un plan fractionnaire de résolution III pour obtenir un plan de

Rechtschaffner.
64
Les plans pour surfaces de réponse
Les plans du second degré ou plans pour surfaces de réponse permettent d'établir des
modèles mathématiques du second degré. Ils sont utilisés pour les variables continues.
Pour deux facteurs, on a :
𝑦 = 𝑎0 + 𝑎1 𝑥1 + 𝑎2 𝑥2 + 𝑎12 𝑥1 𝑥2 + 𝑎11 𝑥12 + 𝑎22 𝑥22 + 𝑒
Ces plans sont utiles à chaque fois que l'on se trouve près d'un maximum ou d'un
minimum.
65
Les plans composites (CCD)
Un plan composite est constitué de trois parties :
✓ Un plan factoriel dont les facteurs prennent deux niveaux ;

✓ Au moins un point expérimental situé au centre du domaine d’étude ;
✓ Des points axiaux. Ces points expérimentaux sont situés sur les axes de chacun
des facteurs.
La Figure 6 représente un plan composite pour deux facteurs. Les points A, B, C et

D sont les points expérimentaux d'un plan 22.
66
Le point E est le point central. Ce point peut être répliqué une ou

plusieurs fois. Les points F, G, H et I sont les points axiaux. Ces
quatre derniers points forment ce que l'on appelle le plan en
étoile. On réalise 9 essais et 6 coefficients doivent être déterminés.
Il faut donc résoudre un système de 9 équations à 6 inconnues.
67
Le nombre total d’expériences à réaliser est calculé à partir de la relation suivante :

68
N=2n + 2n + nc
N : le nombre total d’expériences à réaliser.
n : le nombre de facteurs.
nc : le nombre de points au centre.
2n : le nombre de points factoriel.
2n : le nombre de points axiaux.

69
Les 2n points axiaux sont localisés par (±𝝰, 0, 0), (0, ± 𝝰, 0) et (0, 0, ± 𝝰).
Où 𝝰 représente la rotativité calculée à partir de la relation suivante :
α = (𝑁𝑃 )1/4
Avec :
Np = 2n : le nombre de points dans le portion du cube.

70
Les plans de Box-Behnken (BBD)
Les plans de Box-Behnken répondent à un critère d'optimisation particulier :

l'erreur de prévision des réponses est la même pour tous les points d'une sphère (ou une
hyper sphère) centrée à l'origine du domaine expérimental. C'est le critère d’isovariance
par rotation. Le plus connu des plans de Box-Behnken est celui qui permet d'étudier trois
facteurs. Les points expérimentaux sont au milieu des arêtes de chacun des côtés du cube.
Ce plan comporte douze essais auxquels on peut ajouter un ou plusieurs points centraux.
71
72
Le nombre total d’expériences à réaliser pour ce modèle est donnée par:

N=2n (n-1) + nc
N : le nombre total d’expériences à réaliser.
n : le nombre de facteurs.
nc : le nombre de points au centre.

73
I.5.4.4. Les indicateurs de qualité globale du modèle des effets
Std.Dev : L’écart type
CV : Le rapport entre l’écart type et la valeur absolue de la moyenne
Ce coefficient doit être inférieur à 5 ou 10%. Plus ce coefficient est élevé,

probablement on suppose qu’on a oublié des effets significatifs.
PRESS : Predicted residual error sum of squares

74
BIC : Bayesian information criterion
AIC : Corrected Akaike’s information
Ils représentent des indicateurs qui permettent de comparer différents modèles (sélection
de modèles en fonctions des effets). Plus les valeurs sont petites plus le modèle est bon
(minimisation de la variance de modélisation).
75
Analyse statistique des résultats
Les tests statistiques sont des outils d’aide à la décision. Un test statistique
compare toujours deux hypothèses. La première est appelée hypothèse nulle et
notée H0. La seconde est appelée hypothèse alternative et notée H1. A l’issue
du test, on aboutit à l’une des conclusions suivantes:
✓ acceptation de H0 et par conséquent rejet de H1.

✓ rejet de H0 et acceptation de H1.
76
On appelle seuil du test (noté α), la probabilité d’erreur de première espèce, il

correspond à la probabilité de rejeter H0 à tort, à cette erreur on associe un
intervalle de confiance au seuil 1- α. En pratique, on se donne généralement une
limite supérieure du risque de première espèce, le plus souvent 5%, 1% ou 0,1%.
Cette limite est aussi le niveau de signification du test, qui permet de définir la
condition de rejet de l’hypothèse nulle.
77
Test de student-t
H0 : ai = 0
Hi : ai ≠ 0
Pour réaliser ce test au seuil α, il faut comparer la valeur de t de Student avec la valeur
critique d’un Student à n – p degrés de liberté.
On utilise une table de Student à n – p degrés de liberté, α étant choisi, on lit dans cette
table de Student la valeur t critique (α, n – p). On rejette H0 lorsque tobs > tcrit.
78
Si l’hypothèse H0 est acceptée, cela veut dire que l’effet en question n’est pas, au
risque de 0,05, significativement différent de 0 et donc que la variable qui lui est
associée n’a pas d’influence sur la réponse.
Le t de Student pour chaque effet se calcule de la manière suivante:

𝒂𝒊
𝒕𝒊 =
𝝈𝒂 𝒊
79
Test de Fisher
On note Fα (p – 1 ; n – p) la valeur critique au seuil α d’une loi de Fisher-

Snedecor à p –1 et
n– p degrés de liberté. On teste l’hypothèse suivante:
✓ H0 : variance du modèle = variance des résidus

✓ H1 : variance du modèle > variance des résidus
On rejette H0 si F  Fα (p −1; n − p) .
80
Analyse de la variance (ANOVA)
n : est le nombre d’expériences,

p : est le nombre de coefficients,
𝑦𝑖 : réponse mesuré (%),
𝑦ෝ𝑖 : réponse calculé (%),
𝑦:
ത réponse moyenne (%).
81
Coefficient de détermination R2
L’analyse de la variance permet de calculer une statistique très utile : le R2 .

Cette statistique est le rapport de la somme des carrés des réponses calculées
(corrigées de la moyenne) à la somme des carrés des réponses mesurées
(corrigées de la moyenne):
2 σ𝑛 ത 2
ො 𝑖 −𝑦)
𝑖=1(𝑦
𝑅 = σ𝑛 ത 2
𝑖=1(𝑦𝑖 −𝑦)
82
R2 = 1, indique un ajustement parfait, par contre un R2 qui vaut 0 indique l’absence de

relation entre la variable dépendante et la variable explicative. Cependant, dans le
contexte de la régression multiple, cela pose le problème de la paramétrisation du
modèle. Plus l’on ajoute de variables explicatives, plus le R2 augmente. Pour éviter ce
phénomène, on calcule le coefficient de détermination ajusté:
(𝑛−1)(1−𝑅2 )
𝑅2 𝑎𝑗𝑢𝑠𝑡é =1−
(𝑛−𝑝)
83
DESIRABILITE
La fonction de désirabilité permet de déterminer simultanément les paramètres

optimaux des variables d'entrée qui peuvent déterminer les niveaux de performance
optimaux pour un ou plusieurs réponses. Elle consiste à convertir chaque réponse (yi)
en une fonction de désirabilité (di) variant entre 0 ≤ di ≤1.
84
La désirabilité globale D, c’est-à-dire qui prend en compte à la fois les exigences

sur toutes les réponses, est la moyenne géométrique des désirabilités individuelles :
𝑫 = 𝒅𝟏 ∗ 𝒅𝟐 ∗ ⋯ … … . . 𝒅𝒏 1/n
Avec n : le nombre de réponses dans la mesure

85
– La désirabilité globale est égale à 1 lorsque tous les objectifs sont atteints. Dans
ce cas toutes les désirabilités individuelles sont égales à 1.
– La désirabilité globale est égale à 0 si l’un au moins des objectifs n’est pas
atteint. Dans ce cas l’une au moins des désirabilités individuelles est égale à 0.
– La désirabilité globale est comprise entre 0 et 1 quand certains objectifs sont
complètement atteints et d’autres partiellement seulement. Dans ce cas aucune
désirabilité individuelle n’est égale à 0 et les désirabilités ne sont pas toutes égales à 1.
86
Faibles valeurs souhaitées
représente une réponse dont on souhaitait les fortes valeurs. Mais on peut
vouloir, au contraire, favoriser les faibles valeurs. Par exemple, s’il s’agit
d’une impureté, on cherchera à en diminuer la concentration le plus possible.
On adopte alors une fonction désirabilité ayant l’allure suivante
87
88
Une valeur précise souhaitée
On peut également vouloir qu’une réponse prenne une valeur précise. La fonction
désirabilité vaut 0 lorsqu’on est loin de la valeur souhaitée, puis elle augmente
progressivement lorsqu’on en approche. Elle vaut 1 pour la valeur souhaitée, puis diminue
lorsqu’on s’en éloigne pour atteindre à nouveau 0 quand on en est suffisamment loin.
89
Plusieurs valeurs précises souhaitées

Au lieu d’une valeur précise, on peut souhaiter un ensemble de valeurs. La fonction
désirabilité présente alors un plateau
90
91
FIN PREMIERE PARTIE

Cours Optimisation Des Procedes Master 2 Si

Transféré par

Droits d'auteur :

Formats disponibles

Cours Optimisation Des Procedes Master 2 Si

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours Optimisation Des Procedes Master 2 Si

Transféré par

Droits d'auteur :

Formats disponibles

M.

KALIDOU BA /ESP/UCAD/ COURS PE/2023

Les variables d’entrée du système, dont nous supposerons qu’elles peuvent

Objectifs des plans d’expériences

L’utilisation des plans d'expériences permet d’obtenir le maximum de

Notion d'espace expérimental

Un expérimentateur qui lance une étude s'intéresse à une grandeur qu'il

Le niveau x1 du facteur 1 et le niveau x2 du facteur 2 peuvent être considérés

Les différents types de facteurs

La construction des plans et l’interprétation des résultats dépendent

Les facteurs discrets ne peuvent prendre que des valeurs

Il s’agit de facteurs discrets que l’on peut mettre dans un ordre

Les facteurs booléens sont des facteurs discrets qui ne peuvent

Variables centrées réduites

Lorsqu’on attribue la valeur -1 au niveau bas d’un facteur et la valeur

Ces deux modifications entraînent l’introduction de nouvelles variables que l’on

Les points d’expériences retenus par la théorie

𝑦 = 𝑎0 + σ 𝑎𝑖 𝑥𝑖 + σ 𝑎𝑖𝑗 𝑥𝑖 𝑥𝑗 + σ 𝑎𝑖𝑖 𝑥𝑖2 + ⋯

Deux compléments doivent être apportés à ce modéle purement mathématique. Le

En effet, dans le cas général, si l’on mesure plusieurs fois

Chaque point expérimental apporte une valeur de la réponse. Or cette

✓ y est le vecteur des réponses ;

Types de plans d’expériences

Plans factoriels complets à deux niveaux

Plans factoriels à k facteurs à 2 niveaux

Signification du coefficient constant: a0

La relation {2.1} devient :

La valeur du coefficient constant a0 est égale à

Signification du coefficient du facteur 1: a1

Additionnons les deux réponses y2 et y4 :

est la moyenne des réponses au niveau haut du facteur 1. On nomme cette

est la moyenne des réponses au niveau bas du facteur 1. On nomme cette

Signification du coefficient du facteur 2: a2

Signification du coefficient a12

est l’effet du facteur 1 lorsque le facteur 2 est au niveau haut.

est l’effet du facteur 1 lorsque le facteur 2 est au niveau bas.

Le coefficient a12 mesure donc la variation de l’effet du facteur 1 quand le niveau du

Exemple de calcul des effets principaux

Plans factoriels fractionnaires à 2 niveaux 2k-p

➢ Principe de construction des plans fractionnaires 2k-p

Construction de la matrice des effets du modèle saturé

Détermination des confusions résultantes (confusion d’effet et générateur d’alias)

✓ Construction de la matrice des effets du modèle saturé

D=ABC DD= ABCD I= ABCD (générateur d’alias)

Autres plans à 2 niveaux

Les plans de Rechtschaffner

Il suffit de choisir un plan fractionnaire de résolution III pour obtenir un plan de

Les plans pour surfaces de réponse

𝑦 = 𝑎0 + 𝑎1 𝑥1 + 𝑎2 𝑥2 + 𝑎12 𝑥1 𝑥2 + 𝑎11 𝑥12 + 𝑎22 𝑥22 + 𝑒

Les plans composites (CCD)

Un plan composite est constitué de trois parties :

✓ Un plan factoriel dont les facteurs prennent deux niveaux ;

La Figure 6 représente un plan composite pour deux facteurs. Les points A, B, C et

Le point E est le point central. Ce point peut être répliqué une ou

Le nombre total d’expériences à réaliser est calculé à partir de la relation suivante :

N : le nombre total d’expériences à réaliser.

nc : le nombre de points au centre.

2n : le nombre de points factoriel.