Vous êtes sur la page 1sur 45

Cours Plans d’Expériences

L’ANOVA A TROIS ET PLUS DE TROIS


CRITERES DE CLASSIFICATION

Dagobert ELISEE, Animateur


Dernière modification : Septembre 2018
L’ANALYSE DE VARIANCE A TROIS ET
PLUS DE TROIS CRITERES DE
CLASSIFICATION
CONTENU DE CETTE PARTIE
1. Généralités

UNE
DEMARCHE 2. L’ANOVA à trois critères de
EN QUATRE
PARTIES
classification
3. Les aspects descriptifs

4. Les aspects inférentiels


L’ANALYSE DE VARIANCE A TROIS
CRITERES DE CLASSIFICATION
Généralités
• Même diversité de modèles que l’ANOVA à deux critères :
• modèles croisés et hiérarchisés,
• modèles fixes, aléatoires et mixtes
• modèles à effectifs égaux et inégaux / équilibrés et non équilibrés
• On a différents modèles mixtes, plusieurs types modèles hiérarchisés
• Conditions d’application :
• population normales,
• même variance
• échantillons aléatoires simples et indépendants
Distinction entre facteurs

Placés sur
le même Modèles croisés
plan
d’égalité

Subor-
donnés l’un Modèles hiérarchisés
à l’autre ou emboités
Distinction entre échantillon
Population
finie pour Modèles fixes
les trois
facteurs

Population
infinie pour Modèles aléatoires
les trois
facteurs

Pop infinie
pour au Modèles mixtes
moins un fact
/ finie pour
les (l’)
autre(s)
Distinction entre effectifs

Egaux Modèles équilibrés /


orthogonaux

Modèles non équilibrés


Inégaux
/ non orthogonaux
Modèles croisés à effectifs
égaux
Aspects descriptifs / Echantillons de plusieurs observations
c1 ⋯ ck ⋯ cr
b1 ⋯ bj ⋯ bq ⋯ b1 ⋯ bj ⋯ bq ⋯ b1 ⋯ bj ⋯ bq

a1

⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
yijk1

ai yijkl

yijkn
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮

ap
Tableaux des sommes
c1 ⋯ ck ⋯ cr Ens
b1 ⋯ bj ⋯ bq ⋯ b1 ⋯ bj ⋯ bq ⋯ b1 ⋯ bj ⋯ bq

a1

⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮

ai
Yijk. Yi
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮

ap

Tot Yjk.
E ns Yj.. Y
Tableaux des sommes
c1 ⋯ ck ⋯ cr Ens
b1 ⋯ bj ⋯ bq ⋯ b1 ⋯ bj ⋯ bq ⋯ b1 ⋯ bj ⋯ bq

a1

⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮

ai
Yijk. Yi
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮

ap

E ns Y
Yjk.
Les moyennes
• On a pqr échantillons ou séries d’observations d’effectifs n, yijkl désigne les
observations individuels avec
• 1 ≤ i ≤ p ; 1 ≤ j ≤ q ; 1≤ k ≤ r et 1 ≤ l ≤ n

Moyenne 𝑦ത𝑖𝑗𝑘 𝑦ത𝑖𝑗 𝑦ത𝑖𝑘 𝑦ത𝑗𝑘 𝑦ത𝑖 𝑦ത𝑗 𝑦ത𝑘 𝑦ത


Nombre pqr pq pr qr p q r 1
Modèles observées
• Equation d’ANOVA relative à ce modèle observé est :
• SCEt = SCEa + SCEb + SCEc + SCEab + SCEac + SCEbc + SCEabc + SCEr
• a, b, c étant associées respectivement à chacun des trois facteurs
• Les degrés de liberté additives associés à ces SCE :
• pqrn – 1 = (p – 1) + (q – 1) + (r – 1) + (p – 1)(q – 1) + (p – 1)(r – 1) + (q – 1)(r – 1)
+ (p – 1)(q – 1)(r – 1) + pqr(n – 1)
• La division des SCE par les degrés de liberté donne les CM
Modèles observées
• (yijkl - 𝑦)
ത = (𝑦ത𝑖. - 𝑦)
ത + (𝑦ത.𝑗 - 𝑦)
ത + (𝑦ത.𝑘 - 𝑦)ത + (𝑦ത𝑖𝑗 - 𝑦ത𝑖. - 𝑦ത.𝑗 + 𝑦)
ത + (𝑦ത𝑖𝑘 - 𝑦ത𝑖. - 𝑦ത.𝑘 + 𝑦)
ത +
(𝑦ത𝑗𝑘 - 𝑦ത𝑗. - 𝑦ത.𝑘 + 𝑦)
ത (𝑦ത𝑖𝑗𝑘 - 𝑦ത𝑖𝑗 - 𝑦ത𝑖𝑘 - 𝑦ത𝑗𝑘 + 𝑦ത𝑖. + 𝑦ത.𝑗 + 𝑦ത𝑘 - 𝑦)
ത + (yijkl - 𝑦ത𝑖𝑗𝑘 )
• On a donc
• trois (3) termes de variation factorielle liés aux 3 critères de classification
• trois (3) termes d’interaction des différents facteurs deux à deux
• un (1) terme d’interaction des trois (3) facteurs ensembles
• un (1) terme de variation résiduelle
Réalisation de l’ANOVA à trois critères de classification
𝑌2
• SCEt = σ𝑝𝑖=1 σ𝑞𝑗=1 σ𝑟𝑘=1 σ𝑛𝑙=1 𝑦𝑖𝑗𝑘
2
– CF avec CF =
𝑝𝑞𝑟𝑛
1 𝑝 2 1 𝑞 2 1
• SCEa = σ𝑖=1 𝑌𝑖 – CF SCEb = σ𝑗=1 𝑌𝑗 – CF SCEc = σ𝑟𝑘=1 𝑌𝑘2 – CF
𝑞𝑟𝑛 𝑝𝑟𝑛 𝑝𝑞𝑛
1 𝑝 𝑞 2
• SCEaXb = σ σ 𝑌 – CF SCEab = SCEaXb - SCEa - SCEb
𝑟𝑛 𝑖=1 𝑗=1 𝑖𝑗
1 𝑝 𝑟 2
• SCEaXc = σ σ 𝑌 – CF SCEac = SCEaXc - SCEa – SCEc
𝑝𝑛 𝑖=1 𝑘=1 𝑖𝑘
1 𝑞 𝑟 2
• SCEbXc = σ σ 𝑌 – CF SCEbc = SCEaXc - SCEa – SCEc
𝑝𝑛 𝑗=1 𝑘=1 𝑗𝑘
1 𝑝 𝑞 2
• SCEaXbXc = σ𝑖=1 σ𝑗=1 σ𝑟𝑘=1 𝑌𝑖𝑗𝑘 – CF
𝑛
• SCEabc = SCEaXbXc - SCEa - SCEb - SCEc - SCEab - SCEac - SCEbc
• SCEr = SCEt – SCEa – SCEb – SCEab – SCEac – SCEbc - SCEabc = SCEt – SCEaXbXc
Réalisation manuelle (Méthode de Yates)
• Cette méthode est relative au cas des facteurs qui ne
possèdent, chacun, que deux modalités (2X2X2 = 23)
• peut être utilisée à la main et/ou à l’aide de tableurs.
• Les valeurs 1 et 2 sont remplacées par -1 et 1.
• La colonne l n’est d’aucune utilité car il représente les indices
des observations
Réalisation manuelle (Méthode de Yates)
Fact 2 Fact 3 (k) yijkl
Fact 1 (i) (j) i*yijkl j*yijkl k*yijkl ij*yijkl ik*yijkl jk*yijkl ijk*yijkl
1 1 1 y1111 i.y1111 j.y1111 k.y1111 ij.y1111 ik.y1111 jk.y1111 ijk.y1111
: : : : : : : : : : :
1 1 1
1 1 1
: : : : : : : : : : :
1 1 1 ypqrn i.ypqrn j.ypqrn k.ypqrn ij.ypqrn ik.ypqrn jk.ypqrn ijk.ypqrn
Total ∑i*yijkl ∑j*yijkl ∑k*yijkl ∑ij*yijkl ∑ik*yijkl ∑jk*yijkl ∑ijk*yijkl
Réalisation manuelle (Méthode de Yates)
1 2
𝑝 𝑞 𝑟 𝑛
• SCEa = σ𝑖=1 σ𝑗=1 σ𝑘=1 σ𝑙=1 𝑖 ∗ 𝑦𝑖𝑗𝑘𝑙
𝑝𝑞𝑟𝑛
1 2
𝑝 𝑞
• SCEb = σ𝑖=1 σ𝑗=1 σ𝑟𝑘=1 σ𝑛𝑙=1 𝑗 ∗ 𝑦𝑖𝑗𝑘𝑙
𝑝𝑞𝑟𝑛
1 2
𝑝 𝑞 𝑟 𝑛
• SCEc = σ𝑖=1 σ𝑗=1 σ𝑘=1 σ𝑙=1 𝑘 ∗ 𝑦𝑖𝑗𝑘𝑙
𝑝𝑞𝑟𝑛
1 2
𝑝 𝑞 𝑟 𝑛
• SCEab = σ𝑖=1 σ𝑗=1 σ𝑘=1 σ𝑙=1 𝑖𝑗 ∗ 𝑦𝑖𝑗𝑘𝑙
𝑝𝑞𝑟𝑛
1 2
𝑝 𝑞 𝑟 𝑛
• SCEac = σ𝑖=1 σ𝑗=1 σ𝑘=1 σ𝑙=1 𝑖𝑘 ∗ 𝑦𝑖𝑗𝑘𝑙
𝑝𝑞𝑟𝑛
1 2
𝑝 𝑞 𝑟 𝑛
• SCEbc = σ𝑖=1 σ𝑗=1 σ𝑘=1 σ𝑙=1 𝑗𝑘 ∗ 𝑦𝑖𝑗𝑘𝑙
𝑝𝑞𝑟𝑛
1 2
𝑝 𝑞
• SCEabc = σ𝑖=1 σ𝑗=1 σ𝑟𝑘=1 σ𝑛𝑙=1 𝑖𝑗𝑘 ∗ 𝑦𝑖𝑗𝑘𝑙
𝑝𝑞𝑟𝑛
𝑝 𝑞 𝑟 𝑛 2 𝑌2
• SCEt = σ𝑖=1 σ𝑗=1 σ𝑘=1 σ𝑙=1 𝑦𝑖𝑗𝑘𝑙 -
𝑝𝑞𝑟𝑛
• SCEr = SCEt – SCEa – SCEb – SCEab – SCEac – SCEbc - SCEabc
Présentation des résultats sous forme d’un tableau
ANOVA
Sources de Degrés de liberté Somme des Carrés
variation carrés des écarts moyens
Facteur a p–1 SCEa CMa
Facteur b q-1 SCEb CMb
Facteur c r-1 SCEc CMc
Interaction ab (p – 1)(q – 1) SCEab CMab
Interaction ac (p – 1)(r – 1) SCEac CMac
Interaction bc (q – 1)(r – 1) SCEbc CMbc
Interaction abc (p – 1)(q – 1)(r-1) SCEabc CMabc
Variation résiduelle pqr(n – 1) SCEr CMr
Totaux pqrn - 1 SCEt
Exercice 1 : Comportement de conduite
Considérons le plan suivant dans laquelle nous examinons le comportement de
conduite en fonction de deux moments de la journée (temps T) : la nuit (T1) et le
jour (T2) ; trois types de routes (R) : piste spéciale très sinueuse (R1), rue (R2) et
autoroute (R3) ; et enfin trois modèles de voitures (M) : minuscule (M1),
ordinaire (M2) et de luxe (M3). La variable dépendante est le nombre d’erreurs
de pilotage.
Exercice 1 : Comportement de conduite
T1 (Nuit) T2 (Jour)
M2 M3
M1 (Petite) M2 (Moyenne) M3 (Grande) M1 (Petite) (Moyenne) (Grande)
10 8 6 5 4 3
R1 (Piste) 9 8 5 4 3 3
8 7 4 4 1 2
9 7 5 4 3 3
R2 (Rue) 10 6 4 4 2 2
7 4 3 3 3 2
7 6 3 2 2 1
R3
4 5 2 2 3 2
(Autoroute)
3 4 2 1 0 1
Exercice 2 : Comportement de conduite
• Considérez l’expérience suivante qui concerne les capacités de conduites de
deux types de conducteurs différents : inexpérimentés (a1) et expérimentés
(a2). Ces personnes conduiront sur l’un des trois types de route disponibles :
qualité 1 (b1), qualité 2 (b2) et mauvaise route (b3) ; dans l’une des deux
conditions retenues : jour (c1) et nuit (c2). Nous avons donc un plan 2X3X2.
L’expérience comprend quatre observations par échantillon et la variable
dépendante est le nombre de corrections apportées à la conduite sur un
tronçon de chaussée d’un kilomètre et démi. Les données sont présentées
dans le tableau ci-dessous
• Nombres de corrections apportées à la conduite sur un tronçon de chaussée
d’un kilomètre et démi
Exercice 2 : Comportement de conduite
c1 c2
b1 b2 b3 b1 b2 b3
4 23 16 21 25 32
18 15 27 14 33 42
a1
8 21 23 19 30 46
10 13 14 26 20 40

6 2 20 11 23 17
4 6 15 7 14 16
a2
13 8 8 6 13 25
7 12 17 16 12 12
Aspects inférentiels (échantillons de plusieurs observations)
• Quatre modèles croisés
• Un modèle fixe (trois facteurs fixes et 0 facteur aléatoire)
• Un modèle aléatoire (0 facteur fixe et trois facteurs aléatoires)
• Deux modèles mixtes ((un facteur fixe et deux facteurs aléatoires) / (deux facteurs
fixes et un facteur aléatoire))
• modèle fixe
• Yijkl – m = ai + bj + ck + (ab)ij +(ac)ik + (bc)jk +(abc)ijk + Dijk
• modèle aléatoire
• Yijkl – m = Ai + Bj + Ck + (AB)ij +(AC)ik + (BC)jk +(ABC)ijk + Dijk
• modèles mixtes
• deux facteurs fixes : a et b / un facteur aléatoire : c
• Yijkl – m = ai + bj + Ck + (ab)ij +(aC)ik + (bC)jk +(abC)ijk + Dijk
• deux facteurs aléatoires : b et c / un facteur fixe : a
• Yijkl – m = ai + Bj + Ck + (aB)ij +(aC)ik + (BC)jk +(aBC)ijk + Dijk
Aspects inférentiels (échantillons de plusieurs observations)
• Modèles fixes
• Toutes les comparaisons peuvent être facilement réalisés toujours par rapport
au carré moyen résiduel
• Modèles mixte (a et b fixes)
• Toutes les comparaisons peuvent être facilement réalisés toujours soit par
rapport au carré moyen résiduel soit par rapport aux diverses interactions
faisant intervenir C
• Modèles mixtes (a fixe)
• Toutes les comparaisons peuvent être testées par rapport à son interaction avec
le 2ème facteur (aB ou AB) ou 3ème facteur (aC ou AC). Il en est de même pour le
2ème et le 3ème facteur dans le cas du modèle aléatoire.
Aspects inférentiels (échantillons de plusieurs observations)
• Regroupement de sommes des carrés des écarts
• Dans la mesure où le nombre de ddl associés aux différentes interactions sont généralement
d’autant plus réduit que le nombre de critère est plus élevé
• Eviter effectuer test F avec moins de 10 ddl au dénominateur
• Comparaisons en faisant intervenir fonctions linéaires des CM : CMab + CMac – CMabc pour
CMa (1er facteur modèle mixte et aléatoire)
𝐶𝑀𝑎𝑏 +𝐶𝑀𝑎𝑐 −𝐶𝑀𝑎𝑏𝑐 2
• 𝐶𝑀2 2 2
𝑎𝑏 +𝐶𝑀𝑎𝑐 +𝐶𝑀𝑎𝑏𝑐
𝑘𝑎𝑏 𝑘𝑎𝑐 𝑘𝑎𝑏𝑐

• kab, kac, kabc : ddl


• (Méthode ou test F approché de SATTERTHWAITE)
• Test de WELCH 2
𝑐1 𝐶𝑀1 +⋯+𝑐ℎ 𝐶𝑀ℎ
• 𝑐 𝐶𝑀2 𝑐 𝐶𝑀2
; k1, …., kh : ddl
1 1 +⋯+ 𝑘 ℎ
𝑘1 𝑘ℎ
• Estimations de moyennes, de différences de moyennes et de composantes de la variance,
calculs de limites de confiance peuvent etre réalisés comme en ANOVA à deux (2) critères
Aspects inférentiels (échantillons de plusieurs observations)
• Regroupement de sommes des carrés des écarts
• Dans la mesure où le nombre de ddl associés aux différentes interactions sont
généralement d’autant plus réduit que le nombre de critère est plus élevé
• Eviter effectuer test F avec moins de 10 ddl au dénominateur
• Comparaisons en faisant intervenir fonctions linéaires des CM : CMab + CMac – CMabc
pour CMa (1er facteur
2
modèle mixte et aléatoire)
𝐶𝑀𝑎𝑏 +𝐶𝑀𝑎𝑐 −𝐶𝑀𝑎𝑏𝑐
• 𝐶𝑀2 2 𝐶𝑀2
, kab, kac, kabc : ddl
𝑎𝑏 +𝐶𝑀𝑎𝑐 + 𝑎𝑏𝑐
𝑘𝑎𝑏 𝑘𝑎𝑐 𝑘𝑎𝑏𝑐
• (Méthode ou test F approché de SATTERTHWAITE)
• Test de WELCH 2
𝑐 𝐶𝑀 +⋯+𝑐ℎ 𝐶𝑀ℎ
• 𝑐1 𝐶𝑀12 𝑐 𝐶𝑀2
; k1, …., kh : ddl
1 1 +⋯+ 𝑘 ℎ
𝑘1 𝑘ℎ
• Estimations de moyennes, de différences de moyennes et de composantes de la
variance, calculs de limites de confiance peuvent etre réalisés comme en ANOVA à
deux (2) critères
Cas des échantillons d’une seule observation
• Variation résiduelle disparait de l’ANOVA et des nombres de ddl
• Cas particulier : modèles relatifs aux dispositifs en carré latin, cross-over,
parcelles divisées
Cas des échantillons d’une seule observation
• Variation résiduelle disparait de l’ANOVA et des nombres de ddl
• Cas particulier : modèles relatifs aux dispositifs en carré latin, cross-over,
parcelles divisées
Modèles hiérarchisés à
effectifs égaux
Modèle I : Modèles complètement hiérarchisés
• Toutes interactions disparaissent
• (yijkl - 𝑦)
ത = (𝑦ത𝑖. - 𝑦)ത + (𝑦ത𝑖𝑗 - 𝑦ത𝑖. ) + (𝑦ത𝑖𝑗𝑘 -
𝑦ത𝑖𝑗 ) + (yijkl - 𝑦ത𝑖𝑗𝑘 ) Modèle I
• SCEt = SCEa + SCEb/a + SCEc/b/a + SCEr et c
• pqrn-1 = (p-1) + p(q-1) + pq(r-1) + c
b
pqr(n-1)
• Deux modèles théoriques a
• Yijkl – m = ai + Bj/i + Ck/j/i + Dijkl
• Yijkl – m = Ai + Bj/i + Ck/j/i + Dijkl

Les modèles partiellement hiérarchisés
• (yijkl - 𝑦)
ത = (𝑦ത𝑖. - 𝑦)
ത + (𝑦ത𝑖𝑗 - 𝑦ത𝑖. ) + (𝑦ത𝑖𝑘 -
Modèle II
𝑦ത𝑖 ) + (𝑦ത𝑖𝑗𝑘 - 𝑦ത𝑖𝑗 - 𝑦ത𝑖𝑘 + 𝑦)+
ത (yijkl - 𝑦ത𝑖𝑗𝑘 )
• SCEt = SCEa + SCEb/a + SCEc/a + SCEbc/a + c
SCEr avec les nombre de ddl
respectifs : b

• pqrn-1 = (p-1) + p(q-1) + p(r-1) + p(q-


a
1)(r-1) + pqr(n-1)
• deux modèles théoriques
correspondants à a fixe et A aléatoire
• (a fixe ; B, C aléatoires)  Yijkl – m = ai
+ Bj/i + Ck/i + (BC)jk/i + Dijkl
Les modèles partiellement hiérarchisés
• Yijkl – m = ai + bj + (ab)ij + Ckij + Dijkl
Modèle III
c

a
Les modèles partiellement hiérarchisés
• Yijkl – m = ai + bj + Ck/j + (ab)ij + (aC)ik/j +
Dijkl Modèle IV
c

a
L’ANALYSE DE VARIANCE A H
CRITERES DE CLASSIFICATION
Distinction entre facteurs

Placés sur
le même Modèles croisés
plan
d’égalité

Subor-
donnés l’un Modèles hiérarchisés
à l’autre ou emboités
Distinction entre échantillon
Population
finie pour Modèles fixes
les deux
facteurs

Population
infinie pour Modèles aléatoires
les deux
facteurs

Pop infinie
pour un fact
Modèles mixtes
/ finie pour
l’autre
Distinction entre échantillon
Population
finie pour Modèles fixes
tous les
facteurs

Population
infinie pour Modèles aléatoires
tous les
facteurs

Pop infinie
pour au Modèles mixtes
moins un fact
/ finie pour
les (l’)
autre(s)
Distinction entre effectifs

Egaux Modèles équilibrés /


orthogonaux

Modèles non équilibrés


Inégaux
/ non orthogonaux
Les hypothèses à la base de l’ANOVA à h critères
Globalement les conditions d’applications sont les même que
les plans à un, deux et trois critère(s) :
• populations normales
• de même variances,
• échantillons aléatoires, simples et indépendants ;
• etc
LES MODELES CROISES A EFFECTIFS EGAUX
• Extension de l’ANOVA à 2 et 3 critères de classification
• En général les calculs se font par ordinateur
• Interprétation des résultats se compliquent avec l’augmentation des
critères
LES MODELES CROISES A EFFECTIFS EGAUX
• L’équation de l’ANOVA à un (1) critère s’écrit : SCEt = SCEa + SCEr
• Elle comporte deux (21) termes
• Les modèles croisés à deux (2) critères s’écrivent :
• SCEt = SCEa + SCEb + SCEab + SCEr
• Elle comporte quatre (22) termes
• Les modèles croisés à trois (3) critères s’écrivent :
• SCEt = SCEa + SCEb + SCEc + SCEab + SCEac + SCEbc + SCEabc + SCEr
• Elle comporte huit (23) termes
• ……………
• Ainsi, les modèles croisés à h critères comporte (2h) termes
LES MODELES CROISES A EFFECTIFS EGAUX
• On a alors : h facteurs principaux, h(h-1)/2 interactions de deux facteurs , h(h-
1)(h-2)/3 interactions de 3 facteurs
• Pour les échantillons de même effectif on peut déterminer les différents
nombre de ddl : (p1-1), (p2-1), …. (ph-1) à la place de (p-1), (q-1),….
• Les symboles p1, p2, ….. désignent les nombres de modalités des différents
facteurs
• Nombre de modèles théoriques différents est égal à h+1 : un modèle fixe, h-1
modèles mixtes et un modèle aléatoire.
Les modèles hiérarchisés à effectifs égaux
• Modèles complètement hiérarchisés à effectifs égaux comportent toujours h+1
termes seulement et sont simples même pour un nombre quelconque de
critères de classification
• Un modèle mixte et un modèle aléatoire peuvent être considérés si on
considère que le premier facteur peut être fixe ou aléatoire (les autres étant
aléatoire).
• Comparaisons réalisées chaque fois par rapport à la composante du niveau
immédiatement inférieur
• Pour les modèles partiellement hiérarchisés la situation se complique car
HARTER et LUM (1955) dénombrent 49 modèles partiellement hiérarchisés
différents pour un plan à quatre critères de classification.

Vous aimerez peut-être aussi