B RUNO L ECLERC
Arbres minimums communs et compatibilité de données de types variés
Mathématiques et sciences humaines, tome 98 (1987), p. 41-67
<http://www.numdam.org/item?id=MSH_1987__98__41_0>
© Centre d’analyse et de mathématiques sociales de l’EHESS, 1987, tous droits réservés.
L’accès aux archives de la revue « Mathématiques et sciences humaines » (http://
msh.revues.org/) implique l’accord avec les conditions générales d’utilisation (http://www.
numdam.org/conditions). Toute utilisation commerciale ou impression systématique est consti- tutive d’une infraction pénale. Toute copie ou impression de ce fichier doit conte- nir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
http://www.numdam.org/
ARBRES MINIMUMS COMMUNS ET COMPATIBILITE DE DONNEES DE TYPES VARIES
Bruno LECLERC *
INTRODUCTION
La reconnaissance d’ordres totaux
compatibles
avec des données de diverstypes est l’un des
objets
de la sériation. Parexemple,
unproblème classique
est de
repérer
si un ensemble departies
d’un ensemble fini X est, ou non,un ensemble d’intervalles d’un certain ordre total sur X
(cf.
e.g. Golumbic1980, ch.8).
Unalgorithme
efficace a étéproposé
pour résoudre ceproblème (Booth
et Leuker1976).
Demême, Diday (1984)
a étudié diverses formes de com-patibilité
d’un ordre total sur X avec une classification ou une dissimila- rité sur X . Il aposé
leproblème
de la reconnaissance d’un ordre total surX
(ou
d’ordres totaux sur desparties
deX )
simultanémentcompatible
avecplusieurs
classificationshiérarchiques
indicées ou avecplusieurs pyramides (Diday 1982, 1986).
Unproblème analogue,
mais où les dissimilarités ne sont passymétriques,
est étudié parDoignon
et al.(1986).
On aborde ici une
question
de ce type, mais en cherchant un arbre surX
(au
sens de la théorie desgraphes)
simultanémentcompatible
avecplusieurs données,
de typesdivers,
sur X . Si l’onspécifie
que l’arbre est unechaîne,
on retrouve le
problème
de la recherche d’un ordre total. En considérant desarbres,
leproblème
d’existence de laconfiguration
recherchée recevra doncplus fréquemment
uneréponse positive.
Deplus,
cetteréponse
sera engénéral plus
facile àobtenir,
la différence entre les deuxproblèmes
étant du mêmeordre
qu’entre
deux autres bien connus : déterminer si ungraphe
donné admetun arbre (c’est-à-dire en fait s’il est
connexe)
est bienplus
aisé que de reconnaître s’il admet une chaînehamiltonienne,
c’est-à-dire un arbrequi
estune chaîne.
~ Centre
d’Analyse
et deMathématique Sociales,
E.H.E.S.S., Paris.On veut aussi
élargir
lechamp
desdonnées,
ou des structures,qui
peu-vent ou non être
compatibles
avec un arbre. Il faut doncpartir
d’une formali- sationadéquate
de l’idée decompatibilité,
utilisable dans des situations di-verses. On considère ici la suivante : à des données de types variés
(qualita- tives, ordinales, classificatoires, ...),
on associecanoniquement
despréor- donnances,
c’est-à-dire despréordres
sur l’ensemble P =X(2)
despaires
d’éléments de X . On le fait de sorte que la
paire
xy est avant lapaire
zt
lorsque,
et seulementlorsque,
la donnée considérée faitapparaître
x ety comme au moins aussi
proches,
ou aussiressemblants,
entre eux que ne le sont z et t . Lespréordonnances
obtenues ne sont pas totales engénéral : si,
parexemple,
on a deux classes distinctes Y et Z d’unepartition
IIsur
X ,
avec xy c Y et zt c Z , iln’y
a pas de raison d’affirmer que lapaire
xy estéquivalente
à lapaire
zt , encore moins de les ordonner. Mais par contre x et y serontjugés plus
ressemblants entre eux que, par exem-ple,
x et z .Avec cet "mise en
préordonnances",
on trouve alors uneexpression géné-
rale de l’idée de
compatibilité :
un arbre A sur X estcompatible
avec unecertaine donnée sur X si et seulement si A est un arbre minimum pour la
préordonnance
sur X induite par cette donnée. Lesexemples
decompatibilité
donnés au début de cette introduction entrent bien dans ce cadre : l’ordre sur
X associé à une dissimilarité de Robinson
(i.e.
un "indicepyramidal"
au sensde
Diday) correspond
à un arbre minimumqui
est une chaîne(Hubert 1974);
unefamille d’intervalles est aussi une famille
arborée,
c’est-à-dire dontchaque
élémentcorrespond
à un sous-arbre d’un certain arbre A : celui-ci est unarbre minimum pour une certaine
préordonnance
sur X induite par la famille considérée(Flament 1975, 1978).
Formellement,
leproblème posé
s’énonce donc maintenant comme suit : recher- cher un arbre minimum commun àplusieurs préordonnances,
totales oupartielles.
Ce
problème
se rencontre aussi à propos du consensus de classifications : la mé- diane d’un ensembled’ultramétriques,
ou departitions,
a de bonnespropriétés lorsqu’il
y a un arbre minimum commun(Barthélemy,
Leclerc etMonjardet 1984b, 1986).
On va montrerqu’il
a une solutionsimple,
ens’appuyant
essentiellementsur l’étude par Flament et Leclerc
(1983)
des arbres minimums et minimaux pourune
préordonnance quelconque.
On va enparticulier présenter
uneprocédure
decalcul de cette solution ne mettant en
jeu
que desopératioris
de routine(addi-
tion de
dissimilarités,
calculs d’arbresminimums),
et souvent utilisable.Lorsque de tels arbres
existent,
ils fournissent des sériationspartielles
cor-respondant
à leurschaînes,
et des dichotomiescorrespondant
à leurs arêtes.Les unes et les autres ont des
propriétés intéressantes;
leur existence peut aussi être un argument pour la validationd’hypothèses
structurelles sur l’en- semble X étudié.La section 1 de l’article
présente
les outils :graphes, préordonnances
et dissimilarités
(par. 1.1),
et arbres minimums pour unepréordonnance quel-
conque, avec leurs
propriétés (par. 1.2).
Au par.1.3,
on décrit lespréordon-
nances, en
général partielles,
que l’on associe à divers types de données qua- litatives ou ordinales et on observequ’elles
admettent des arbresminimums,
en
général
fort nombreux.On aborde le
problème
de la recherche d’un arbre minimum commun dans lasection 2. On y propose une
procédure (par. 2.1)
que l’on illustre par unexemple (par. 2.2),
où un tel arbre est effectivementproduit (par. 2.3).
La section3, plus théorique,
apporte lesjustifications
nécessaires. Au par.3.1,
on caractérise les arbres minimums communs et on propose trois
procédures
pour les obtenirlorsqu’ils existent;
elles diffèrent par lesopérations
combina-toires mises en
jeu. L’objet
du par. 3.2 est l’étude du casparticulier
desfamilles
arborées,
dont on retrouve des caractérisationsdéjà
connues. On con-clut par deux brèves
discussions,
d’abord duproblème
de la recherche d’un arbreminimum-chaîne,
c’est-à-dire d’un ordre totalcompatible (par. 3.3), puis
du cas où iln’y
a pas d’arbre minimum commun(par. 3.4).
Ce travail se
place
dans leprolongement
de l’ensembled’approches
etde méthodes combinatoires assez variées rassemblées dans
l’analyse
de simili-tude. On trouve une
présentation
récente decelle-ci,
avec desexemples
deson usage, dans un numéro
spécial
de la revueInformatique
et Sciences humai- hurnines(n° 67,
décembre1985).
1. ARBRES MINIMUMS DEFINIS A PARTIR D’UNE PREORDONNANCE
1.1. Définitions
1.11 considère un ensemble fini de cardinal n ,
et l’ensemble P =
X(2)
despaires
d’éléments de X c’est-à-dire desparties
de X de cardinal 2 . Les éléments de P seront
parfois appelés
arêtes.Pour Y eX, on écrira
Y(2) = Py .
Pouralléger,
on notera xy ,plutôt
que{x,y} ,
l’élément de Pcorrespondant
à x,y E X(distincts).
Un
graphe (simple)
sur X est uncouple (X,P’),
avec P , le cou-ple KX
=(X,P)
étant legraphe complet
sur X . Une eha2ne sur X est iciune
partie
de P de la forme C = où tous les élémentsxi 1
sauf éventuellementx~
etx-
, sont distincts. Six0 - xk ,
la chaîneC est un
cycle
sur X ;sinon,
c’est une chaîne entrexo
etx~ .
PourP’ P, C est une
chaîne,
ou uncycle
dugraphe (X,P’)
si et seulement siC ~ P’ . Le
graphe (X,P’)
est eonnexesi,
pour tous x,y E X(distincts),
ila une chaîne entre x et y .
Un arbre A sur X est ici une
partie
de P telle que legraphe (X,A)
est connexe et sanscycles.
On saitqu’alors lAI = n-1 ,
et que pour tous x,y E X(distincts),
il y a une chaîneunique,
notéeA(x,y) ,
entrex et y et incluse dans A . On associe à tout arbre A sa relation
d’échangeabilité
définie sur P. Pour xy E A et zt EP-A ,
on aA
(xj;,zt)
EA A
si et seulement si(A - {xy})
U{zt}
est encore un arbre surX . On a
~A
c A x(P-A);
on voit facilement que(xy,zt)
EAAéquivaut
àxy E
A(z,t) .
La
figure
1 montre un arbre A sur X = La chaîney est en traits renforcés. On voit que chacune de ses
paires,
ay ouyn ou peut être
échangée
avec a~ de façon à obtenir un nouvel arbre.Figure
1.1.12
Préordonnances et dissimilarités.
Unepréordonnance
R sur X est unpréordre,
c’est-à-dire une relation réflexive ettransitive,
sur P .Dans la
suite,
on écriragénéralement
xy ztplutôt
que(xy,zt)
E R.Si
plusieurs préordonnances
sontconsidérées,
elles seront notéesRl,,R 23’ ...
et l’on écrire xy
.zt , xy 2zt,...
La notation xy ztcorrespondra
aucas où
(xy,zt)
E R et(zt,xy) e R ,
celle xy~ zt à celui où(xy,zt)
E Ret
(zt,xy)
E R(paires équivalentes).
Avec la définitionci-dessus,
le casde
paires incomparables «xy,zt) Í
R et(zt,xy) e R)
estpossible :
lapréordonnance
R n’est pas apriori supposée
totale. On diraparfois
d’unepré-
ordonnance
qu’elle
estpartielle
pour bienpréciser qu’elle
n’est pas totale.Une dissimilarité sur X est ici une
application
d : P -m+ .
Cette définition est clairementéquivalente
àcelle, plus usuelle,
selonlaquelle
une dissimilarité est une
application
de X2 danslIÔ vérifiant,
pour tous x,yE X , d(x,x) =
0 etd(x,y) = d(y,x).
La dissimilarité d induit naturellement une
préordonnance
totaleR(d)
sur X . Pour xy,zt E P , on aOn dira
qu’une
dissimilarité d et unepréordonnance
R sontbles si
R(d) préserve
lacomparabilité
et lacomparabilité
stricteselon R , c’est-à-dire si :
1.2 Arbres minimums
1.21
Définition.
Etant donnée unepréordonnance
R sur X , on définit surl’ensemble À
de tous les arbres sur X une relation de dominance DR . Pour deux arbres A etA’ ,
on a(A,A’)
E DR si et seulement si il existe unebi j ection ~ :
A -~ A’ telle que :On montre que DR est un
préordre sur ~ .
. Cepréordre
n’est pas totalen
général,
mêmelorsque
R est unepréordonnance
totale. Il peut donc ne apas avoir d’éléments minimums.
Un arbre A sur X est un arbre minimum pour la
préordonnance
R siet seulement si il est minimum pour le
préordre
DR, c’est-à-dire que l’on a :Etant donnée une dissimilarité d sur X , on peut
préordonner - (tota-
lement cette
fois)
les arbres sur X selon leurslongueurs,
lalongueur
£(A)
d’un arbre étantdéfinie,
comme il estnaturel,
comme étant la somme des dissimilarités de ses éléments. Les arbres delongueur
minimum sont les élé-ments minimums pour ce
préordre.
Pour toute
préordonnance
totale R , il existe au moins un arbre minimum pour R(Rosenstiehl 1967).
C’est enparticulier
le cas si R =R(d)
est lapréordonnance
associée à la dissimilarité d . On voitfacilement,
àpartir
des définitions
ci-dessus, qu’un
arbre A est delongueur
minimum si et seule-ment si il est minimum pour
R(d);
on dira aussi dans ce casqu’il
est minimumpour d . Les
algorithmes qui
permettent de déterminer de tels arbres n’utili-sent effectivement que des
comparaisons
delongueurs
d’arêtes(voir
par exem-ple
celui donné dansHartigan 1975).
C’est ce caractère purement ordinal et combinatoire quel’expression
"arbre delongueur minimum",
souvent utiliséedans la littérature relevant de
l’analyse
desdonnées,
a l’inconvénient de masquer.Dans le cas d’une
préordonnance partielle
P , iln’y
a évidemmentplus
coïncidence entre arbres minimums pour R et arbres delongueur minimum,
ceux-ci n’étant
plus définis,
mais un lienpersiste,
cequ’établit
laproposition
suivante :
PROPOSITION 1.1. Soient A un arbre sur X et R une
préordonnance
sur X .Les trois conditions suivantes sont
équivalentes.
(1)
A est un arbre minimum pour R .(2)
A est un arbre delongueur
minimum pour toute dissimilarité d compa- tible avec R .(3)
La relation8A d’échangeabilité
de l’arbre A est incluse dans R .Résumé de la preuve.
(1) ~ (2)
découle immédiatement des définitions données ci-dessus.(2) ~ (3).
S’il existe xy E A , zt E P-A tels que(xy,zt)
EA~ R ,
on peutconstruire une
préordonnance
totaleR1
1 telle que R cR1
et que, pour tousp,p’
E P , on a pp’ ~
p1 p’ . Alors,
pour toute dissimilarité d’ com-patible
avecR1 ,
et donc avec R , on a9,«A- lxy})
U~(A) ,
cequi
contredit(2).
La démonstration de
(3) ~ (1)
estplus technique.
Ils’agit
d’établirqu’un
arbre localement minimum
(si (3)
estvraie,
on a(A,A’)
E DR pour toutarbre A’ ne différant de A que par un
élément)
est aussiglobalement
mini-mum. On en trouve une preuve
complète
dans Flament et Leclerc(1983),
où ilest aussi
indiqué
que c’est uneconséquence
d’un résultat de Brualdi(1969),
donné dans le cadre
plus général
des bases d’un matroide. 0L’équivalence
de(1)
et de(2)
donne unepremière
indication du fait que la définitionprécédente
des arbres minimums est bien une extension au cas depréordonnances quelconques
de celles des arbres minimums pour une dis- similarité.L’équivalence
des conditions(1)
et(2)
avec(3)
donne une caractérisa- tion de ces arbres minimumsqui
estsimple
et utilisable enpratique,
car larelation
~A
se construit facilement.Ainsi,
on peut déterminer si unepréordonnance
R admet un arbre mini-mum et, dans
l’affirmative,
obtenir un telarbre,
de la façon suivante :- on détermine une dissimilarité d
compatible
avec R ;- on construit un arbre A minimum pour
d ;
- on détermine
~A
et on vérifie si l’on a °Si
oui,
A est un arbre minimum pour R .Sinon,
laproposition
1.2suivante permet d’affirmer
qu’il n’y
a pas d’arbre minimum pour R .PROPOSITION 1.2. Soient R une
préordonnance,
d une dissimilaritécompati-
ble avec R et A un arbre sur X minimum pour d .
Alors,
si R admet unarbre
minimum,
A est un tel arbre.Preuve. Ce résultat est une
conséquence
du fait suivant(Flament
et Leclerc1983) :
un arbre est minimale pour lepréordre
DR si et seulement si il estm2n2mum pour un
préordre
totalcompatible
avecDR ,
tel celui induit par d,oLa caractérisation
(3)
de laproposition
1.1apparaîtra
aussiplusieurs
fois dans la suite comme outil de démonstration.
1.22
Le fait que les arbres minimums sont associés à la méthode de classification
hiérarchique
dite du liensimple
est bien connu(Gower
et Ross1969).
Plusgénéralement,
ils constituent un outil pour lareprésentation
et lamanipula-
tion
(e.g.
le calcullatticiel,
lacomparaison)
desultramétriques,
ou hié-rarchies indicées
(Hubert 1977,
Leclerc1979, 1981a, 1986, Barthélemy, Leclerc,
Monjardet 1986).
En
fait,
la donnée d’un arbre minimum pour une dissimilarité d appor- te des informations sur la façon dont l’ensemble Xs’organise
selon d :Du
point
de vue de lasériation,
les chaînes d’un arbre minimum se caracté- risent par unepropriété d’optimalité correspondant
à l’idée de ressemblance deproche
enproche (Leclerc 1977, 1981a).
On ditqu’elles
sont totalementminimax
(Leclerc),
ousemi-compatibles
avec d(Diday 1983)
ou très minima-les
(Giraudet 1982).
Du
point
de vue de laclassification,
larecherche,
pour toutepaire
xy d’é-léments de X , d’une dichotomie de X
séparant
x et y etoptimale,
a unesolution donnée par l’une des
bipartitions
associées aux arêtes d’un arbreminimum
(Leclerc 1977, 1981a).
Ces
propriétés
vont êtrerappelées,
en se situant dansl’hypothèse, beaucoup plus faible,
où ce n’est pas unedissimilarité,
mais seulement unepréordonnance
R , non forcémenttotale, qui
est définie sur X .Malgré
la faiblesse d’une tellehypothèse,
il reste des critères pour comparer des ensembles depaires
d’éléments de X , comme des chaînes. On va établir que, pour un certain critèreordinal,
l’existence d’un arbre minimumimplique
celle de chaînesoptimales
entre toutepaire
d’éléments de X . Com- mençons parrappeler
la définition d’uncocycle
sur X , ensemble d’arêtesassocié à une dichotomie de X :
Soient x,y E X
(distincts)
et soit{X’,Y’}
une dichotomie de X telle que x E X’ ety E Y’ . Alors,
l’ensembleD = D (X’ , Y’ ) _ lx’y’ E P / x’ E X’
et
y’
E Y’} est uncocycle
sur Xséparant
x et y. On remarque que pour toute chaîne C entre x et y on a C flD ~ 0 .
Pour un arbre A et une
paire
xy E A , > il y a uncocycle unique,
notéDA(xy) , séparant
x et y et tel queD A (xy) fl
A ={xy} .
C’est lecocycle
associé à la dichotomie
{X’,Y’}
de X où X’ et Y’ sont les sous-ensem-bles de X
correspondant
aux composantes connexes dugraphe (X,A- {x,y}) (figure 2).
On aD A (xy) - tzt E P / xy -
zt ou(xy, zt)
EA A1
= {zt E
P/xy =
zt ou xy EA(z,t) } (cf.
par exemple Leclerc 1981a et Flament et Leclerc1983).
Figure
2.Deux chaînes C et C’ entre x et y
représentent
des suites de"sauts" pour passer, de proche en
proche,
de x à y . Si pour toute arête p de C , on trouve une arêtep’ e
C’ telle quep p’ ,
c’est-à-dire si pour tout saut de C , il y a un saut au moins aussiimportant
deC’ ,
onconsidèrera que C définit une suite d’intermédiaires entre x et y au moins aussi
pertinente
que celle définie par C’ . C’est pour ce critère quetoute chaîne incluse dans un arbre minimum est
optimale.
PROPOSITION 1.3. Soient A et R
respectivement
un arbre et unepréordon-
nance sur X . Si A est un arbre minimum pour R , alors pour tous x,y E X
(distincts)
et pour tout aEA(x,y) ,
ilexiste,
pour toute chaîne C entrex et y , une arête p E C telle que a p .
Preuve. Considérons un élément p E
DA (a) f
C . On a soit p = a , soit(a,p)
E~A .
Dans les deux cas on aa
ppuisque
A est un arbre minimumet donc que
~A
c R . oQuand
R =R(d)
est lapréordonnance
totale associée à une dissimila-rité
d ,
on retrouve lapropriété
définissant les chaînes totalement mini-max. Pour tous x,y
E X ,
pour toute chaîne C entre x et y , on a :Cherchons maintenant à comparer les dichotomies de X , en fait les
cocycles
sur X , àpartir
de la seule donnée d’unepréordonnance
sur X .Soient x,y E X
(distincts),
avec deuxcocycles
D et D’ sur Xsépa-
rant tous deux x et y . On dira que D
sépare
x et y au moins aussi bien que D’si,
pour tout p E D , il existep’
E D’ tel quep’
p . Pour cecritère,
toutcocycle DA(xy)
est, si A est un arbre minimum pourR ,
optimal
pour laséparation
de x et de y .PROPOSITION 1.4. Soient A et R
respectivement
un arbre et unepréordon-
nance sur X . Si A est un arbre minimum pour R , pour tout xy E A et pour tout p E
DA(xy) ,
ilexiste,
pour toutcocycle
D’ sur Xséparant
x et y , une
paire p’
E D’ telle quep’
p .Preuve. Si p E
D (xy) ,
on a(xy,p )
EA ,
doncxy p . Or, si
D- A A -
sépare
x et y , on a xy E D . DPour x et y
quelconques,
il peut ne pas exister decocycle optimal
selon le critère
précédent
pour laséparation
de x et de y . Par contre, lorsque R =R(d)
est lapréordonnance
totale associée à une dissimilarité d , il y a, pour laséparation
de tous z,t E X(distincts),
uncocycle
optimal
associé à l’arbre minimum. On retrouve dans ce cas lapropriété
ca-ractéristique
descocycles
maximum(Leclerc 1977, 1981a) :
soit xy E A telque
d(xy) = max{d(a) / a
EA(z,t)}
et soit uncocycle
D sur Xséparant
z et t . Alors :
1.3 Préordonnances associées à divers types de données
qualitatives
ou ordi-nales.
1.31 Parties. Une
partie
F de X peut parexemple
être l’ensemble des éléments de Xqui possèdent
un certain caractère. On lui associe lapréor-
donnance R définie par
xy
- zt si et seulement si xy C - F ouzt F ,
c’est-à-dire :
C’est une
préordonnance
totale à deux classes. Elle admet donc des ar-bres minimums. Un arbre A est minimum pour R si F détermine.une
partie
connexe de
A ,
c’est-à-dire si APF
est un arbre sur F .Posons f =
IFI .
Une formule due à Moon(1967)
permet de calculer le nombreT(R)
des arbres minimums pour R . On a :1.32
Partitions.
Soit n = unepartition
de X .On lui associe la
préordonnance
R définie par xy zt si et seule-ment si : x , y , z et t sont dans la même classe
de H ,
ou z et tne sont pas dans la même classe. Si le nombre de classes de fi ayant au moins deux éléments est
supérieur
à 1 , R n’est pas totale : en prenant, parexemple x,y E X1
et > avecx # y
etz ~ t ,
on a lespaires incomparables
xy et zt .Dans cet
exemple,
comme dans les deux suivants on a une famille departies
de X . Un arbre A sur X sera considéré commecompatible
aveccette famille si
chaque partie
de X considérée(ici, chaque
classe deH )
détermine unepartie
connexe de A . Il estéquivalent
de dire que A estun arbre minimum pour R : un tel arbre contient en
effet,
pourchaque Xi ,
1i =
1,...,k ,
un arbre surX..
1 Un calcul du même type que leprécédent
donne le nombre d’arbres minimums pour R :
1- 1
en posant
IX.[ =
in.
1 pour tout i =1,...,k .
Notons que tout cecis’appli-
que au cas d’une
partition incomplète,
dont les classes sontdisjointes,
maisne recouvrent pas X tout entier.
1.33
Hiérarchies.
Une hiérarchie sur X est une famille H departies
deX telle
que : # £
H , XE H , {x}
E H pour tout xE X ,
et, pourY,Z
E H ,
Y fl Z E{Y,Z,0} . Alors,
l’ordre d’inclusion sur les éléments de H est arborescent. Les hiérarchies sont les familles departies
correspon-dant aux arbres de classification
(Benzecri 1967).
Pour x,y
E X ,
notons alorsxHy
l’élément de H contenant x ety
qui
est minimum pour l’inclusion avec cettepropriété.
On associe à Hla
préordonnance
R définie par : xy zt a xHy c zHt .On trouve dans la littérature des caractérisations de ces
préordonnan-
ces
hiérarchiques (Barthélemy,
Leclerc etMonjardet 1984a,
Leclerc1985).
Elles ne sont pas totales en
général,
mais elles ont des arbresminimums, qui
ont été dénombrés(Leclerc 1985;
la formule de Moonsignalée
ci-dessusest
rappelée
dans cetarticle).
Pour les hiérarchies binaires (ou maximales pourl’inclusion),
ce nombreT(R)
estcompris
entre4 /n~
et(n-1) !
t1.34 Familles d’intervalles. Une famille I de
parties
de X est une fa-mille d’intervalles si et seulement si il existe une indiciation
x1,...,xn
des éléments de X telle que tout élément J de I soit de la forme
pour un certain entier k
compris
entre 1 et n .Supposons que de
plus
on ait X E I et, pour tous J,KE I ,
JfIKou i n K E I . Alors I est un ensemble de
parties
du type intervenant dans lespyramides,
un modèle associant classification et sériation(Diday 1984, 1986,
Bertrand1986)
etenglobant
les classificationshiérarchiques.
On peut aussi dire que I lui-même est unepyramide
(Batbedat1986).
Comme dansl’exemple précédent,
dont celui-ci constitue d’ailleurs uneextension,
leplus petit
élément xly de I contenant x et y existe et on posexy~zt ~ xlyczlt .
Clairement,
cettepréordonnance
n’est pas totale et admet A = pour arbre minimum. Il ne semble pas que l’on! 2 z J n1n