République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supérieure et de la Recherche Scientifique

Université De Constantine 1 - Frères Mentouri

Faculté des Sciences Exactes

Département de Mathématiques

Cours

Plans d’expériences

Destiné aux étudiants du Master 2 Statistique Appliquée

Réalisé par :

Dr. S. BOUKABOUR

Année universitaire 2024-2025

Préface
Ce polycopié de cours est un outil indispensable à la modélisation et l’optimisation, des-
tiné aux étudiants du Master 2 Mathématiques L.M.D. de spécialité Statistique Appliquée.
Les étudiants doivent avoir des connaissances sur les principaux concepts des statistiques et
des probabilités et certains notions mathématiques en globale, telles que l’inférence statis-
tique (estimation et test d’hypothèses), la régression linéaire, Les techniques d’analyse de la
variance, etc.

Le but de ce cours est de présenter l’utilité des plans d’expériences, comme une métho-
dologie mathématique, et sa capacité de planifier et analyser des études expérimentales. On
résume l’objectif de ce cours comme :

1. Apprendre à faire des expériences et chercher à mieux les organiser (c’est-à-dire cher-
cher à ne faire que les bonnes expériences).
2. Optimiser le nombre d’expérimentations à réaliser lors de la phase d’essais.
3. Décrire les méthodes et les outils pour avoir des expériences avec une meilleure infor-
mation expérimentale que vous puissiez espérer.
4. Proposer des protocoles expérimentaux dans divers domaines et accompagner l’uti-
lisateur pour l’obtention de données planifiées et fiables pour une prise de décision
commune.
5. Prendre des décisions avec connaissance et trouver des solutions aux problèmes.

Mots-clé : plans d’expériences, factoriels, fractionnaires, modélisation, réponse.

Table des matières

Table des matières iii

0.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1 Plans d’expériences 3
1.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.1 Vocabulaire et Terminologie . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2 Système d’une expérience . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.3 Processus d’acquisition des connaissances . . . . . . . . . . . . . . . 7
1.2 Variables centrées réduites (Variables codées) . . . . . . . . . . . . . . . . . 8
1.3 Autres terminologies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.1 Domaine d’un facteur . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.2 Domaine d’étude . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.3 Points expérimentaux . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4 Utilisation des plans d’expériences . . . . . . . . . . . . . . . . . . . . . . . 13
1.5 Méthodologie d’emploi des plans d’expériences . . . . . . . . . . . . . . . . 15
1.6 Modélisation mathématique . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.6.1 Système d’équations ou modélisation linéaire . . . . . . . . . . . . . 16

2 Plans d’expériences factoriels complets et fractionnaires 19

2.1 Plans d’expériences factoriels complets . . . . . . . . . . . . . . . . . . . . 19
2.1.1 Plan factoriel complet à deux facteurs . . . . . . . . . . . . . . . . . 21
2.1.2 Plan factoriel complet avec trois facteurs, quatre et plus . . . . . . . 27
2.2 Plans d’expériences factoriels fractionnaires . . . . . . . . . . . . . . . . . . 28
2.2.1 Plans factoriels fractionnaires a deux niveaux 2m−k . . . . . . . . . . 28

Bibliographie 35

iii
Introduction

0.1 Introduction

L’expérimentation est le moyen physique pour vérifier, confirmer et ajuster les résultats
théoriques, elle est également utilisée dans la construction des modèles et des formules théo-
riques.

Le besoin concurrentiel des entreprises, pour améliorer la méthodologie d’organiser les

observations expérimentales, a contribué au succès des plans d’expériences. Un plan d’ex-
périences (PE) prend un ensemble de techniques pour connaître les développements des va-
riables caractéristiques du problème, leurs interactions, leurs influences sur les grandeurs
étudiées. La méthode de PE garantit une meilleure précision possible avec le minimum
d’essais, voir Goupy J. [2006]. Il est souvent appliqué en industrie, en recherche scientifique
et sociale, dans de nombreux domaines tels que la chimie, la mécanique, la biologie, l’agricul-
ture, l’électronique et d’autres. Le PE est utilisé dans différents problèmes tel que : Processus
de production ; études techniques ; optimisation d’un processus ; réglage d’une machine ....

Dans le milieu industriel, le but est de minimiser le nombre d’expériences à réaliser pour le
gain du temps et de productivité. En d’autre terme, c’est pour but de réaliser des productions
avec une meilleure qualité possible au cout le plus bas. Plusieurs procédés de fabrication
ou d’expériences en laboratoire deviennent de plus en plus complexes car ils dépendent d’un
grand nombre de variables difficiles à régler intuitivement. Par exemple : la détermination des
proportions d’un mélange chimique ; les meilleurs conditions environnementales optimales
pour la production agricole ; amélioration de la qualité d’un produit ; le pilotage optimal de
machines ; etc...

La réalisation d’expériences est la seule méthode qui va permettre d’apprendre et de mo-

déliser de tels phénomènes complexes. Si ces expériences sont effectuées sans une méthodo-
logie rigoureuse, il est fort probable qu’elles soit devenir des impasses (modèle impossible
à ajuster, résultats incohérents, etc...) soit à des résultats de malle qualité, voir Goupy J.
[2006] et Tinsson [2010]. Habituellement, les chercheurs effectuent des expériences d’une

1
Introduction Page 2

manière séquentielle, c’est à dire, ils faits varier les paramètres un par un (varier toute les
valeurs possibles de chaque variable). Cette méthode donne des résultats efficaces mais elle
prend beaucoup de temps et nécessite la réalisation d’un grand nombre d’expériences. Le
plan d’expériences est une méthodologie utilisée pour obtenir des recherches expérimentales
planifiées et rigoureuses.

La théorie des PEs est une branche de la statistique appliquée, on peut assume qu’un plan
d’expériences robuste peut faire gagner du temps et du coût lors d’une étude expérimentale.
Les premiers recherches sur la méthode des plans d’expériences sont réalisés par le mathé-
maticien Sir Ronald Fisher. Le bute aussi est de déterminer l’impact des facteurs contrôlés
par l’expérimentateur sur le problème traité. Pour en savoir plus sur ce sujet, les PEs génèrent
de nombreuses publications et recherches dans le monde entier, telles que Yates, Cochran,
Burmann, Box et Taguchi.

S.Boukabour
Chapitre 1

Plans d’expériences

1.1 Définition
Le plan d’expériences est une technique d’analyse algébro-statistique. Il consiste à mini-
miser le nombre d’expériences nécessaires pour étudier et quantifier, simultanément, l’im-
pact (l’influence) de plusieurs facteurs sur un ou plusieurs grandeurs d’intérêt. Donc, cette
technique nous permet d’établir les liens existant entre les deux types de variables. La tech-
nique des PEs permet de planifier, réaliser, organiser, modéliser, analyser et interpréter des
essais expérimentaux (des essais à faire) qui accompagnent des recherches scientifiques ou
des études industrielles. Les plans d’expériences élaborent une stratégie (Outils et méthodes)
de planification des expérimentations afin de parvenir à des conclusions robustes, adéquates
et économiques.

Analyser Modéliser

Planifier
Plan d’expériences Donne
Réaliser Stratégie de planification

Expérimentations
Organiser

• Une minimisation d’essais.

Interpréter
• Une étude sur l’influence des facteurs.
• Des conclusions robustes, adéquates et
économiques.
Figure (1.1) Définition d’un plan d’expériences.

3
Chapitre 1. Plans d’expériences Page 4

La réalisation d’un plan se fait en déterminant la valeur de la fonction réponse pour un

nombre de configurations. La technique utilisée dans la théorie des plans d’expériences est
de réaliser une expérience correctement structurée afin de trouver une analyse statistique et
une simple interprétation des résultats. Il s’agit d’un ensemble de conceptions de recherche
qui utilise des traitements et des tests sous contrôle pour comprendre les processus causaux.
A la fin, la conclusion de cette étude consiste dans tous les cas à établir un modèle, exprimant
la réponse en fonction des facteurs.

On peut résumer que le plan d’expériences est un ensemble de techniques complémen-

taires aidant l’utilisateur lors de la détermination des expériences à réaliser ainsi que dans la
compréhension et l’exploitation des résultats obtenus, voir ?.

1.1.1 Vocabulaire et Terminologie

Réponse : grandeur d’intérêt (de sortie ou étudiées Y ), porte le nom de réponse, mesurée
après chaque essai c-à-d la grandeur qui est observée pour chaque expérience réalisée.
Il est préférable que la réponse soit une grandeur quantitative.
Facteur : une variable, consignée ou mesurée, ou un ensemble de variables d’influence X in-
fluent sur la réponse Y . Ces variables sont modifiables par l’expérimentateur et peuvent
affecter sur plusieurs réponses. La différence entre une variable et un facteur est le fait
que tout facteur doit pouvoir être modifié sans difficulté.

Le facteur prend aussi le nom une grandeur supposée. Généralement, les expérimenta-
teurs prend un ensemble de facteurs qui sensées influer sur les variations de la réponse.
Cela signifie que les facteurs proposés au début de l’étude n’influencent pas nécessai-
rement tous sur les variations de la réponse.
Niveau d’un facteur : valeur ou état que prendra ce facteur lors d’une expérience.

Le principe des PEs consiste à faire varier simultanément et d’une façon étudiée les ni-
veaux de plusieurs paramètres d’entrée. Ceci est pour construire avec la réponse un mo-
dèle dans le but d’obtenir une optimisation du processus étudié. Généralement, l’étude
est limité entre deux bornes inférieure et supérieure des valeurs possible de ce facteur.
ils appelées respectivement : niveau bas (−1) et niveau haut (+1).
Domaine expérimental : domaine d’étude délimité par des niveaux inférieurs et supérieurs
des facteurs.

Si on a m facteurs quantitatifs utilisés afin d’expliquer au mieux un phénomène com-

plexe. Et si le i ème facteur admet ai et bi comme ses niveaux bas et haut respective-
ment. Donc on trouve le domaine expérimental

ε = [a1 , b1 ] × [a2 , b2 ] × ... × [am , bm ]

S.Boukabour
Chapitre 1. Plans d’expériences Page 5

Effet d’un facteur : la variation observée de la réponse quand le facteur est modifié.
Interaction : Combinaison de facteurs n’agissant pas de façon indépendante. Les interac-
tions se produisent lorsque la réponse est affectée par plusieurs facteurs simultanément
et de manière liée.
Étude d’un phénomène L’étude d’un phénomène revient souvent à s’intéresser à une gran-
deur particulière.

Exemple : La consommation d’électricité dans un appartement ; la consommation d’es-

sence d’une voiture ; le rendement en blé d’une parcelle de terrain etc.... ces grandeur
dépend d’un grand nombre de facteurs.

Remarque : On prend que les résultats importants pour les traités et analysés, et ceci
est dans le but de déterminer les facteurs et leurs niveaux qui fourniront le meilleur résultat
global.

Types de facteurs
La construction des plans d’expériences et l’interprétation des résultats, de l’étude, dé-
pendent en grande partie des types de facteurs qui affectent sur l’étude. On distingue plusieurs
types de facteurs :

Facteurs continus Les valeurs prises par ce type de facteurs sont représentées par toutes les
valeurs numériques réelles dans un intervalle.

Exemple : La longueur, la pression, une concentration, la température, et d’autres di-

mensions géométriques, sont en effet des facteurs qui sont représentés par des inter-
valles.
Facteurs discrets Les facteurs prennent des valeurs particulières. Ces valeurs ne sont pas
forcément numériques : peut être un nom, une lettre, une propriété ou même un nombre.

Exemple :
bullet Si on s’intéresse aux couleurs d’un produit (facteurs discrets), les couleurs trouvés
après la réalisation des essais sont : violet, bleu, vert et denim.
bullet Le nombre d’arrosages de la terre pendant la semaine, domaine agriculture. On
peut trouver que le nombre est une variable aléatoire peut prendre des valeurs de
0 à 7 ou plus.
Facteurs ordonnables Il faut prendre des facteurs discrets afin que nous puissions les mettre
dans un ordre logique.

Exemple : grand, moyen, petit, ou encore 1er , 2nd , 3me et 4me .

S.Boukabour
Chapitre 1. Plans d’expériences Page 6

Facteurs booléens ou qualitatifs Les facteurs booléens sont des facteurs discrets qui ne
peuvent prendre que deux valeurs.

Exemple : haut ou bas, vrai ou faut, blanc ou noir, échec ou succès etc...

Remarque. — Il y a une importance vu lors de la détermination des facteurs de type

continus. Un facteur continu nous permet de connaître les points candidats utilisés
dans la construction d’un plan optimal.
— Lorsqu’on fait des variations aux différents niveaux de facteurs et on organise les essais
nécessaires de l’étude, on peut dégager le maximum d’informations, établir et analyser
toutes les dépendances,les relations, existant entre les variables d’entrée et de sorties
avec le nombre minimum d’essais, ce qui représente une économie considérable en
temps et en coût.

1.1.2 Système d’une expérience

Pour un système (un processus) qui représente une étude scientifique ou bien technolo-
gique, nous cherchons à découvrir l’effet d’un ou plusieurs variables sur un problème. En
terme mathématique ou statistique, Le but est de chercher à établir le lien entre une sortie ou
bien un intérêt Y et l’action des variables d’entrée X. En d’autre terme, un plan d’expérience
permet de déterminer l’impact entre une grandeur d’intérêt Y et des variables d’influence
X. Donc avant de trouver ce lien, on est obligé de réaliser une série d’expériences avec un
minimum d’essais et un maximum de précision.

Xi Système Y
Ou bien
Entrées Sortie
Facteurs Système Réponse
Variables d’influence Grandeur d’intérêt
Figure (1.2) Système d’une expérience

Exemples

Problème 1 : Consommation d’essence d’une voiture On est besoin de collecter toutes les
causes possibles qui augmente la consommation d’essence dans une voiture ; donc on
trouve le système suivant
Problème 2 : augmenter la période d’expiration de yaourt Dans le but de régler la date
d’expiration de yaourt d’un usine d’une façon que la période augmente le maximum,
nous devons collectionner les facteurs et les situations qui nous aide pour réussir ce
défi. On peut trouver par exemple le système suivant :

S.Boukabour
Chapitre 1. Plans d’expériences Page 7

Puissance du moteur
Gonflage des pneux
Vitesse
Marque Système Consommation d’essence
Distance de la direction d’une voiture
Nombre des voyageurs
Porte bagages
Figure (1.3) Système Consommation d’essence d’une voiture

Qualité de la matière première

Quantité du conservateur
Température-espace de travaille Système La date
Température-espace de stockage d’expiration de yaourt

Figure (1.4) Système de date d’expiration de yaourt

Rq : Il pourrait exister d’autres facteurs, tels que la qualité de pot de yaourt, Degré de
propreté et d’hégeinité des équipements de fabrication, la méthode de mixage, etc.

1.1.3 Processus d’acquisition des connaissances

Un processus d’acquisition ou d’augmentation des connaissances est un processus pour
trouver la réponse à une ou plusieurs questions posées.

EXEMPLE

On désire connaître l’influence d’un engrais sur le rendement en blé d’une parcelle de
terrain. Il y a pas malle de questions qui peuvent être posées :

— Peut-on obtenir 8 quintaux de blé de plus à l’hectare en augmentant la quantité d’en-

grais ?
— Quelle est l’incidence de la pluie sur l’efficacité de l’engrais ?
— La qualité du blé restera-t-elle bonne si j’utilise cet engrais ?
— Combien dois-je utiliser d’engrais pour obtenir la quantité maximale de blé par hec-
tare ? etc.....

Ces questions délimitent le problème à résoudre et fixent les travaux à exécuter. Il est donc
important de se poser les questions qui correspondent réellement au problème. En suite il faut
voir si l’information ou la réponse cherchée n’existe pas déjà ailleurs ( selon un inventaire
des connaissances : bibliographie/ consultation d’experts/ calcul théorique ou d’autres). Par
la suite, il faut faire des expériences pour obtenir les réponses complètes que l’on souhaite.

S.Boukabour
Chapitre 1. Plans d’expériences Page 8

Ceci fait partie du métier d’expérimentateur. Donc il faut faire des expériences pour répondre
aux questions posées.

Question : Quelles sont les conditions pour réaliser ces expériences ?

Réponse :

1. Arriver rapidement aux meilleurs résultats possibles ;

2. Éviter de réaliser des expériences inutiles ;
3. Obtenir la meilleure précision possible sur les résultats ;
4. Permettre d’avancer à coup sûr ;
5. Établir la modélisation du phénomène étudié ;
6. Découvrir la solution optimale.

Les trois aspects essentiels du processus d’acquisition des connaissances sont les suivantes
Le choix de la méthode d’expérimentation : il faut choisir une méthode qui facilite l’in-
terprétation des résultats, minimise le nombre des essais. (maximum d’efficacité avec
minimum d’expériences et de coût)
l’analyse des résultats : Les résultats seront faciles à interpréter et riches d’enseignement
lorsque on a bien préparé les expériences. L’analyse des résultats devient simple en uti-
lisant les ordinateurs et les logiciels nécessaire, le mieux est de représenter les résultats
graphiquement.
l’acquisition progressive de la connaissance : Une première série d’expériences conduit à
des conclusions provisoires ; en fonction de ces conclusions provisoires, on lance une
nouvelle série d’essais. L’ensemble des deux séries d’expériences est utilisé pour obte-
nir un contour précis des résultats d’étude. L’expérimentateur accumule ainsi les seuls
résultats dont il a besoin et s’arrête dès qu’il a obtenu ce qu’il cherche.
Remarque : On suppose que les expériences sont organisées pour faciliter l’exploitation
des résultats et pour permettre l’acquisition progressive des résultats d’intérêt.

1.2 Variables centrées réduites (Variables codées)

Lorsque on fait la transformation de domaine d’un facteur, du vrai intervalle vers [−1, +1],
on effectue deux modifications importantes :

• Déplacement de l’origine des mesures

• changement de l’unité de mesure.

S.Boukabour
Chapitre 1. Plans d’expériences Page 9

Ces modifications donnent de nouvelles variables que l’on appelle variables centrées ré-
duites : centrées pour indiquer le changement d’origine et réduites pour signaler la nouvelle
unité. le bute de cette notation est de représenter tous les facteurs d’une façon commune. On
utilise également le terme de variables codées ou d’unités codées. Le passage d’une variable
d’origine V au variable codée C, et contrairement, est donné par la formule suivante :

V −V0
C= . (1.1)
Pas

VI V VS
•

•
−1 C +1
Figure (1.5) Domaines de variation originales / codés

Où V0 est la valeur centrale en unités courantes et Pas la moitié de la différence entre la

valeur inférieure et supérieure du domaine d’étude de la variable.
VS +VI VS −VI
V0 = , Pas = .
2 2

D’une façon équivalente, on écrire l’équation 1.1 par

2V − (VS +VI )
C= .
VS −VI

L’intérêt de réaliser cette transformation est pour généraliser la théorie des plans d’expé-
riences sur toute les différentes valeurs et unités quelque soient les domaines d’études retenus.
En effet, le but de faire le codage est pour avoir tous les facteurs avec le même domaine de
variation [−1, +1], ce qui nous facilite la comparaison des effets des facteurs entre eux.

Exemple : Pour un mélange, on trouve que le facteur ’Magnésium (Mg)’ affect sur la
qualité d’une production (un produit chimique). Les chimistes désirent savoir une idée sur la
différence entre les concentrations mesurées 2.5, 25 et 250 µg/ml. Quelle est, en variables
codées, la valeur de la concentration du magnésium de 90 µg/ml.

Pour cet exemple nous affectons la valeur −1 à 2.5 µg/ml et +1 à 250 µg/ml. On trouve
que

250+2.5
V0 = 2 = 126.25.

S.Boukabour
Chapitre 1. Plans d’expériences Page 10

250−2.5
Pas = 2 = 123.75.
90−126.25
C= 123.75 = −0.29.

Donc la concentration 90 µg/ml correspond à la variable centrée réduite −0.29.

1.3 Autres terminologies

Espace expérimental

Un facteur continu est représenté par un axe gradué et orienté. S’il y a un second facteur
continu, il est représenté par un axe d’une façon orthogonal au premier. On obtient ainsi un
repère cartésien qui définit un espace euclidien à deux dimensions. C’est un espace expéri-
mental, voir la figure ci-dessous. L’espace expérimental est tous les points du plan « facteur
1 × facteur 2 » et chacun d’eux représente une expérience.

Facteur 2

Espace expérimental

Facteur 1

S’il y a un troisième facteur, on le représente aussi par un autre axe. Les axes sont ortho-
gonaux entre eux. À partir de la dimension quatre on peut pas représenté géométriquement
ce plan, mais la représentation mathématique de l’espace expérimental reste existe.

1.3.1 Domaine d’un facteur

Domaine d’un facteur

−1 +1
Facteur

niveau bas niveau haut

L’étude de l’influence d’un facteur est généralement limitée dans ses variations sont entre
deux bornes. La borne inférieure est le niveau bas (−1) et la supérieure représente le niveau

S.Boukabour
Chapitre 1. Plans d’expériences Page 11

Facteur 2

+1

Domaine d’étude

• Point d’expérience

−1

h !] −1 +1 Facteur 1
Figure (1.6) Domaine d’étude de deux facteurs sans contraintes

haut (+1). L’expérimentateur définit et donne ces deux niveaux selon le problème à étudié et
les spécificités de l’étude. Donc, l’ensemble de toutes les valeurs que peut prendre le facteur
dans cet intervalle s’appelle le domaine de variation du facteur ou domaine du facteur.

Remarque : Si le facteur est continu, à l’intérieur de leur domaine toutes les valeurs sont
théoriquement possibles. C-à-d que tous point de cet intervalle peut se réaliser. Par exemple :
Le facteur "température" a un domaine entre 20 ◦C et 50 ◦C.

1.3.2 Domaine d’étude

Un domaine d’étude (espace de recherche) combine tous les domaines des k facteurs qui
censés influer sur l’étude. C’est une sélection d’une partie de l’espace expérimental pour
réaliser l’étude statistique, ou une réunion des domaines des différents facteurs. Les points
intérieurs à ce domaine représentent les points d’expériences. La figure suivante représente
un domaine d’étude avec deux facteurs et sans contraintes.

Chaque point x de ce domaine représente une combinaison de k valeurs possibles des fac-
teurs, donc x ∈ Rk ∩ DE.

Le domaine d’étude peut devenir plus complexe, quand c’est fait souvent s’ajouter cer-
taines conditions pratiques particulières pour lesquelles la réalisation de ces expériences sera
exclu. Ces conditions sont appelées « contraintes », qui sont des limites imposées par l’expé-
rimentateur. Dans ce cas, l’espace de recherche vient restreinte. Si on ajoute une contrainte,
on trouve la figure suivante :

Exemple :
1. (Sans contraint) Si on a deux facteurs : "température" dont ses valeurs sont dans l’in-

S.Boukabour
Chapitre 1. Plans d’expériences Page 12

Facteur 2

+1
z.exc.

Domaine d’étude

−1

−1 +1 Facteur 1
Figure (1.7) Domaine d’étude de deux facteurs avec contraintes

tervalle [20, 50] (C) et "Pression" dans un domaine [1, 2] (bar).

2. (Avec contraint) Si on s’intéresse à l’effet du "vitesse"([80, 120] km/h) et "surcharge"
([0, 200] kg) d’une voiture sur la consommation d’essence d’une voiture avec la condi-
tion que la surcharge ne dépasse pas 150 kg lorsque la vitesse dépasse 100 km/h.

1.3.3 Points expérimentaux

Dans un espace à deux dimensions, on note x1i le niveau i du facteur 1 et x2 j le niveau

j du facteur 2. Ils peuvent être considérés comme les coordonnées d’un point de l’espace
expérimental ou du domaine d’étude. Une expérience donnée est alors représentée par un
point dans ce système d’axes (l’espace expérimental).

Jusqu’à trois facteurs, il est possible de dessiner le domaine d’étude. Plus de trois facteurs,
on utilise une représentation en tableau ou matricielle.

Surfaces de réponse

À chaque point du domaine d’étude correspond une réponse. A l’ensemble de tous les
points de ce domaine, il se trouve un ensemble de réponse appelé surface de réponse.

Une fois les facteurs clairement identifiés et la réponse connue on peut proposer un plan
d’expérience, c-à-d une liste d’expériences à été réaliser afin de cerner au mieux le phéno-
mène étudié. Donc la détermination de surface de réponse peut servir à la détermination des
conditions optimales du problème posé.

S.Boukabour
Chapitre 1. Plans d’expériences Page 13

1.4 Utilisation des plans d’expériences

1. Comparaison d’alternatives

L’objectif de l’étude expérimentale est de vérifier l’influence d’un facteur sur le résul-
tat ou la réponse attendue, en fixant certains facteurs et en modifiant le niveau de ce
variable. Donc on fait une comparaison entre les résultats obtenus pour chaque modi-
fication du niveau d’un facteur. Pour les plans d’expériences, on peut réaliser des ex-
périences multi-factorielles, alors on trouve des interactions critiques entre les facteurs
lors d’une réalisation expérimentale simple. Et donc, on évite des problèmes cachés au
cours du système, ces problèmes sont dus à l’absence de considérer les interactions des
facteurs.

Exemple : Dans le cas de l’exemple "réglage la date d’expiration de yaourt d’un usine",
nous pourrions vouloir comparer les résultats de deux différentes quantités du conserva-
teur. Si on trouve que les résultats sont significatifs, on prend la quantité qui augmente
la période d’expiration.
2. Criblage (Screening method)

Dans une étude statistique d’un phénomène, on peut trouvée de nombreux facteurs
potentiels, dont certains peuvent être critiques et d’autres peuvent avoir peu ou pas
d’impact sur la grandeur d’intérêt. Donc, nous devons identifier les facteurs qui ont le
plus d’influence et ceux qui ont le moins d’impact sur les résultats du processus. Dans
d’autres termes, le but est de quantifier les effets clés (effets principaux et effets des

S.Boukabour
Chapitre 1. Plans d’expériences Page 14

interactions) du système.

Ce qui permet une éventuelle réduction du nombre de facteurs à considérer en né-

gligeant certains parmi ces facteurs. Une plus grande attention est donc accordée au
contrôle de ces facteurs. Les expériences de criblage sont pour déterminer les facteurs
les plus importants dans un phénomène donné.

Exemple : Pour l’exemple "augmentation du rendement en blé", on pose la question

suivante : Quels sont les facteurs importants qui ont un impact sur le rendement du blé,
notamment : la nature du terrain, la qualité des engrais, le changement climatique, la
qualité des graines, la quantité d’arrosage, et le pourcentage d’exposition au soleil ?

3. Modélisation

La modélisation mathématique pour les PE est obtenue lorsque on trouve une expres-
sion de la réponse en fonction des facteurs, et donc une relation mathématique se réalise
entre la réponse et ces facteurs. Après avoir obtenu la modélisation mathématique, on
peut extraire plusieurs informations statistiques sur la qualité de cette modélisation, tels
que sa robustesse, son degré de prédictibilité, etc... On peut distingué trois objectifs de
la modélisation mathématique ou statistique :

Prédiction : On peut utilisé la modélisation mathématique obtenu pour prédire une

réponse d’une nouvelle expérience à condition qu’elle soit dans l’intérieur du
domaine expérimental. Donc, à partir d’une configuration des facteurs donnée on
trouve la valeur de la réponse. La précision des réponses obtenues dépend de la
robustesse de prédiction dans le modèle proposé.

Optimisation : L’optimisation est apportée pour déterminer les valeurs des variables
d’entrée de processus afin de trouver la sortie cible. Donc, on peut dire que l’op-
timisation est pour but de déterminer les paramètres du processus qui fournirent
des performances acceptables. Typiquement, l’optimisation peuvent être utiliser
pour augmenter ou maximiser la productivité d’un processus, pour réduire le cout
ou le temps nécessaire d’un étude ou d’une fabrication, ou pour l’obtention d’un
produit avec des spécifications requise.

Exemple : Avec la question : Comment augmenter le rendement du blé à 10 % du

dernier recensement du blé, on peut découvrir les différents niveaux des facteurs
qui nous permettent d’atteindre au résultat souhaité.

Optimisation multi-réponse : c’est toujours le même objectif de l’optimisation, dé-

terminer les paramètres des facteurs, mais cette fois avec plusieurs réponses re-
quise simultanément.

S.Boukabour
Chapitre 1. Plans d’expériences Page 15

1.5 Méthodologie d’emploi des plans d’expériences

La méthodologie des plans d’expériences comprend les étapes suivantes :
1. Formaliser le problème : La première étape consiste à déterminer l’objectif à at-
teindre. C-à-d, il faut identifier clairement le problème à traiter avec des conditions
désirées. Donc, c’est l’étape de définir l’issue ou la réponse Y . (la méthodologie des
surfaces de réponse).
2. Sélectionner les facteurs importants : (selon le jugement des ingénieurs) Trouver
les facteurs Xi et leurs niveaux qui peuvent modifier les résultats de la réponse. Il faut
aussi être capable de fixer les niveaux haut et bas de chaque variable d’influence et
ces réponses, et de vérifier les combinaison impossibles ou non pratique.(l’analyse de
screening).
3. Construire un plan d’expérience : Ici il faut tout d’abord choisir un plan expérimental
selon les objectifs de l’expérience et le nombre de facteurs à étudier.
4. Réaliser les expériences : C’est l’étape de l’exécution du plan, c-à-d la réalisation des
expériences du plan et l’obtention des résultats des essais (réponses).
5. Vérifier les hypothèses expérimentales : Il faut vérifier bien que tous les conditions
expérimentales sont remplies.
6. Analyser et interpréter les résultats : Dans cette étape, on cherche à trouver une
modélisation mathématique. L’objectif est que cette modélisation soit adaptée à nos
données expérimentales et que l’expérience ait été conçue correctement pour notre ob-
jectif. Donc, il faut réaliser des des estimations et des testes afin de quantifier l’influence
de différents facteurs et les interactions sur l’intérêt. Et bien sur on peut arriver aux plu-
sieurs résultats statistiques : numériques et/ou graphiques.
7. Conclusions : A la fin de cette étude, Nous avons obtenu des résultats statistique et
pouvons ainsi les utiliser et les présenter d’une façon simple, afin de maximiser ou
minimiser une performance ou sélectioner le meilleur compromis pour les différentes
réponses.
Remarque : Le problème fondamental des plans d’expériences est le choix du nombre et
de l’emplacement des points d’expériences. Toute en réduisant l’influence de l’erreur expé-
rimentale sur les modélisations mathématiques qui est important lorsque on prend des déci-
sions.

1.6 Modélisation mathématique

On fait appel aux plans d’expériences à chaque fois qu’on a une planification des essais et
un problème de type 1.2. Donc, le PE est un outil permettant d’établir des relations mathéma-
tiques entre les facteurs et les réponses. Le but est de trouver une fonction qui décrit le mieux

S.Boukabour
Chapitre 1. Plans d’expériences Page 16

les variations ou le lien entre la réponse Y et les facteurs X.

Y = f (X1 , X2 ...., Xn ). (1.2)

C’est une fonction de régression à plusieurs variables, et l’intérêt de l’étude est de détermi-
ner la fonction f qui lie la réponse Y aux différents facteurs X. cette fonction est très générale,
donc on peut l’approximer avec un développement limité de Taylor-Mac Laurin. le modèle a
priori est

y = β0 + ∑ βi xi + ∑ βi j xi x j + ∑ βii xi2 ...... (1.3)

Avec,
— y : la grandeur d’intérêt (la réponse) à laquelle s’intéresse l’expérimentateur.
— xi : un niveau du facteur i.
— x j : un niveau du facteur j.
— β0 , βi , βi j et βii sont les coefficients du polynôme.
Utiliser un tel polynôme peut donner une bonne approximation de f lorsque le domaine
expérimental est petit.

Ajustement d’un modèle d’ordre un :

y = β0 + β1 x1 + β2 x2 + β3 x3 + ε.

Ajustement d’un modèle à effets d’interactions

y = β0 + β1 x1 + β2 x2 + β3 x3 + β12 x1 x2 + β13 x1 x3 + β23 x2 x3 + ε.

Ajustement d’un modèle d’ordre deux

y = β0 + β1 x1 + β2 x2 + β3 x3 + β11 x12 + β22 x22 + β33 x32 + β12 x1 x2 + β13 x1 x3 + β23 x2 x3 + ε.

Après avoir obtenu un modèle mathématique validé, on peut trouver ou estimer des ré-
ponses du domaine d’étude sans avoir réalisé des expériences.

1.6.1 Système d’équations ou modélisation linéaire

Chaque point expérimental apporte une valeur de la réponse. Or cette réponse est modé-
lisée par un polynôme dont les coefficients sont les inconnues qu’il faut déterminer. on a un

S.Boukabour
Chapitre 1. Plans d’expériences Page 17

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), Goupy J. [2006]. On trouve que le système d’équations prend toujours la
forme une fonction linéaire par rapport aux paramètres inconnus. On peut donc aussi écrire
ce modèle d’une façon matricielle sous la forme suivante

Y = Xβ + ε. (1.4)

Où Y ∈ Rn est un vecteur des observations, ε ∈ Rn un vecteur des résidus, β ∈ R p un

vecteur des paramètres inconnus du modèle et X ∈ M (n, p) est la matrice du modèle. Avec
les conditions E(ε) = 0 et Var(ε) = σ 2 In .

Dans la dernière étape de construire un modèle mathématique du phénomène étudié, il faut

chercher à estimé les paramètres inconnus du modèle proposé dans l’équation 1.4.

Proposition 1.1. Soit le modèle statistique Y = Xβ + ε avec X une matrice de plein rang.
L’estimateur des moindres carrés de β est donné par

−1
β̂ = X t X X t Y. (1.5)

Conclusion
l’objectif conceptuel étant d’obtenir un produit réel satisfaisant à des critères dès le premier
exemplaire fabriqué.

permet de limiter le plus possible les coûts (financiers et temporels) attachés à la conception
et à l’optimisation sur exemplaires réels.

S.Boukabour