Cours thorie statistique de dcision

Anne de Licence


1


Chap|tre 1 Introduct|on |A|de |a dc|s|on
Introduction

Tous les jours, dans tout ce que nous accomplissons, nous avons des decisions a prendre :
deIinir une nouvelle strategie, solutionner un probleme, Iaire des choix, acheter ou louer un
equipement, embaucher du personnel, preparer un budget, etc.
Par habitude, nous sommes enclins a proceder rapidement devant un probleme, nous sommes
portes a sauter rapidement aux conclusions et a prendre impulsivement une decision. Pour
justiIier cette habitude, nous invoquons le manque de temps. Mais ce procede nous oblige
souvent a reconsiderer le mme probleme, a l'analyser de nouveau, entranant ainsi une
depense de temps considerable.
Etant donne leurs implications humaines et Iinancieres, etant donne leurs incidences sur le
Iutur, nos decisions doivent tre bonnes et s'ameliorer sans cesse.
Nous ameliorerons nos decisions en les rationalisant, en les preparant selon une methode
adequate, en parcourant, etape par etape, les trois etapes suivantes :
1. PlaniIiez votre decision ;
2. Prenez votre decision;
3. Evaluez votre decision.
4.
ide la dcision multicritre ou ide multicritre la dcision

'aide a la decision est l'activite de celui qui, par des voies dites scientiIiques, aide a obtenir
des elements de reponse a des questions que se posent des acteurs impliques dans un
processus de decision, elements concourant a eclairer la decision en vue de Iavoriser un
comportement des acteurs qui soit de nature a accrotre la coherence entre l'evolution du
processus d'une part, les objectiIs et ou les systemes de valeurs au service desquels ces acteurs
se trouvent places d'autre part." (B. Roy : Cahiers du amsade n97, Univ. Paris-Dauphine,
SOULARD.3gp
1992)
$on but est de Iournir au decideur des outils lui permettant de progresser dans la resolution
de problemes decisionnels Iaisant intervenir plusieurs points de vue generalement
contradictoires. Il n'est des lors plus question de decouvrir des solutions optimales, des
decisions les meilleures selon chacun des points de vue, mais d'aider le decideur a degager
une ou plusieurs solutions de compromis, en accord avec son propre systeme de valeurs." (J.
FicheIet , notes de cours)
es niveaux de dcision

Cours thorie statistique de dcision
Anne de Licence


2

Bien qu'en pratique la nature des problemes susceptibles d'tre traites par la RO soit
"continue", il est courant de classer les problemes de decision en trois categories ou niveaux
Iaisant reIerence au vocabulaire militaire:

O %actiques ou oprationnels : il s'agit de problemes bien deIinis, assez aisement
quantiIiables, souvent de nature technique.
Ces problemes ont ete adresses par la RO classique et la programmation lineaire est
l'exemple type de methode utilisee.
Exemple de problemes : gestion de stocks, planiIication et optimisation hebdomadaire de
la production, sequencerent de tches,.

O $tratgiques : problemes complexes ou la decision est orientee vers la realisation d'un but
general souvent a long terme dont certains aspects sont souvent malaises a deIinir et
surtout a quantiIier.
Il s'agit ici du niveau de decision du PDG qui est concerne, par exemple, par la creation et
l'implantation d'une nouvelle usine, d'un ministre responsable d'une politique en matiere de
creation d'emplois,...
C'est le domaine des EI$ que nous n'aborderons pas dans le cadre de ce cours.

O $emi-stratgiques : problemes de complexite intermediaire comme l'elaboration du
planning d'un nouveau projet important, des modalites d'implantation d'une nouvelle unite
de production,...
Ces problemes Iont apparatre des objectiIs conIlictuels, des diIIicultes pour recueillir des
donnees precises et quantiIiables, des aspects d'incertitude et de risques,...

es |ntervenants
1 e Dc|deur (Dec|s|on maker DM)

'aide s'adresse generalement a l'un des intervenants du processus de decision. Ceux-ci
peuvent tre nombreux et varies quant a leurs systemes de valeurs, leurs objectiIs,.... etc.
'aide ne peut, en general, s'exercer globalement sur la base d'un modele unique convenant a
chaque intervenant : tant mieux si c'est le cas mais c'est malheureusement rare.
En pratique, il existe toujours un individu ou une instance pour le compte ou au nom duquel la
decision s'exerce : cette "personne" joue un rle determinant dans le processus de decision.
Dans la suite, nous supposerons que cet intervenant bien precis est identiIie (une personne ou
un groupe agissant comme un organisme unique) : nous l'appellerons le dcideur et c'est a lui
que l'aide s'adresse.
Par "identiIier" un decideur nous entendons identifier ses objectifs. $i le DM est un groupe,
certains membres du groupe peuvent tre plus ou moins attaches a la deIense de certains
Cours thorie statistique de dcision
Anne de Licence


3

objectiIs plus ou moins clairement etablis. Dans l'optique de modelisation qui est la ntre,
nous devrons supposer qu'en dernier ressort le DM designe l'entite qui apprcie les divers
aspects interessant la decision, exprime les prfrences et les fait prvaloir dans l'evolution
du processus. Evidemment, l'explicitation des objectiIs et des solutions possibles Iait l'objet
d'un processus interactif ou intervient l'homme d'etude.
2. homme dtude (HE)

C'est un specialiste (chercheur operationnel, ingenieur, statisticien,...), proche ou non du DM,
dont le rle consiste a :
O expliciter les objectiIs du DM en dialoguant avec lui
O expliciter le modele (le DM doit comprendre le modele pour y adherer)
O exploiter le modele en vue d'eclairer la recherche d'une solution
O eclairer le DM sur les consequences de certains choix
O preconiser, conseiller certains choix

Il est essentiel que l'HE explicite clairement le modele pour que le DM adhere au processus de
decision.

Les ProbImatiques de Rfrence (B. Roy)

1 rob|mat|que -
e probleme est de choisir une seule "meilleure" action ou, a tout le moins, orienter le
processus vers la selection d'un ensemble A' d'actions aussi reduit que possible tel que les
actions de A' soient jugees equivalentes entre elles et meilleures que les autres du point de vue
du systeme de valeurs (initiaux ou decoulant de la recherche de compromis) ou encore
diIIicilement comparables a cause de Iacteurs d'imprecision, d'incertitude ou
d'indetermination.
rob|mat|que .
Cette problematique consiste a trier les actions en categories d'apres des normes ou a elaborer
une procedure d'aIIectation a des categories mutuellement exclusives.
'exemple classique est celui qui conduit a preconiser l'acceptation ou le rejet d'un dossier ou
encore de recommander un complement d'etude ou un re-examen apres modiIications.
rob|mat|que

Ici le but est d'aider a ranger les actions selon un ordre de preIerence decroissante ou a
elaborer une procedure de classement. Chaque action reoit un rang, deux actions ont le
mme rang si rien ne permet de les departager. es actions de mme rang constituent des
classes d'equivalence qu'une etude plus approIondie permettra eventuellement de decomposer
Cours thorie statistique de dcision
Anne de Licence


4

plus Iinement.
Notons que l'on peut ou que l'on doit parIois, voire souvent, se contenter d'un rangement
partiel symbolise par un graphe de preIerences, a priori quelconque.

chapltre 2 @hor|e de |a Dc|s|on
@ests dhypothses @ests de 8ayes kapport de Vra|semb|ance Stat|st|que
suff|sante @ests de Neymanearson kCC @ests s|mp|es et composs @ests UM
kapport de Vra|semb|ance Gnra||s Dtect|on dun s|gna| dans un bru|t |e f||tre
adapt

31 @ests dhypothses

eLudle da ce chaplLre la cocepLlo de mecalme de decllo La flgure ulvaLe
llluLre le probleme de LeLe dhypoLhee pour le ca de decllo eLre deux alLeraLlve
polble delgee par H
1
eL H

source
mecanisme de
transition (prob.)
espace des observations
regle de
decision
H H
H
ou
H
1
1
0
0
ou

I|gure 31 uecllo eLre deux hypoLhee alLeraLlve

Lxemp|es
31 commoolcotloos oomtlpoes
Cours thorie statistique de dcision
Anne de Licence


5

ua le yLeme de commulcaLlo umerlque u lgal aaloglque s t ( ) ouffre pluleur
LraformaLlo avaL dLre effecLlvemeL evoye da le caal de commulcaLlo ll eL
dabord cbootlllooo ( ue vlLee au mol egale la frequece de nyqulL)
s
k
s t k f
e
= ( / )
eulLe chaque echaLlllo eL poootlfl
s
k
c
i
q s
k
F = ( )
eL flalemeL coJ comme ue equece de ymbole choll da u alphabeL fll (blalre
par exemple)
c
i
F 1 1 . ..
Le lgal orlglal eL all Lraforme da ue erle de ymbole (blalre da le ca de
lexemple)

Ce oL ce ymbole qul moduleL ue porLeue (e phae e ampllLude ou e frequece)
pour geerer le lgal Lraml da le caal de commulcaLlo All da le ca ou le
yLeme de modulaLlo a pa de memolre (abece dlLerferece lLerymbollque) le
lgal 2 t ( ) eml pedaL llLervalle de Lemp correpodaL u ymbole eL
compleLemeL deLermle par le ymbole Lraml ar exemple pour le yLeme de
modulaLlo dampllLude eL avec de ymbole blalre

2 t A t t T
b
2 t A t t T
b
( ) cos( ) ,
( ) cos( ) ,
=
=

Le lgal reu la orLle du caal de commulcaLlo eL e geeral ue verlo brulLe eL
deformee de m(L)
t 2 t b t ( ) ( ) ( ) = + H
ou H eL l'operaLeur de Lramllo du caal e geeral cou

Le yLeme de recepLlo dolL e chaque lLervalle T
b
falre correpodre au lgal reu olL
u ymbole 1 olL u ymbole 0 ll dolL doc reoudre le probleme de decllo ulvaL LLaL
doe t ( ) declder laquelle de deux hypoLhee ulvaLe eL vrale
H t A t b t t T
b
H t A t b t t T
b

1
: ( ) cos( ) ( ) ,
: ( ) cos( ) ( ) ,
= +
= +
H
H

L referece la llgure 31 o dolL pour ceL exemple effecLuer le correpodace
ulvaLe
Cours thorie statistique de dcision
Anne de Licence


6

sootce yLeme de codage qul geere de ymbole 0 ou 1
mcoolsme Je ttoosltloo le caal qul deforme le lgal 2 t ( ) eL a[ouLe du brulL au
meage
mcoolsme Je Jclsloo AppllcaLlo qul falL correpodre chaque lgal oberve u de
deux ymbole
) =
= t t A t b t t T
b
( ), ( ) cos( ) ( ), , = + F H

1

3 Jtectloo Je clbles eo toJot
Le yLeme de radar uLllleL ue aLee pour deLecLer de clble da lepace (e
geeral 3u) auLour de laLee our chaque clble o delre avolr a posltloo a Jltectloo
eL a vltesse coldere lcl le ca lmple ou o e deLermle pa la vlLee de la clble
LaLee du radar peuL Lre dlrlgee de fao emeLLre chaque lLaL ue lmpullo
s t ( ) eulemeL da u ce agulalre eLrolL auLour de la dlrecLlo7 Sll exlLe ue clble
da ceLLe dlrecLlo le lgal eml eL reflechl eL reu avec u Lemp de reLard qul eL
proporLloel la dlLace J eLre laLee eL la clble
7 t s t d b t
d
d
c
( ) ( ( ) ) ( )
( )
= +
=
- :
: 2

ou - deped de laLLlLude de la clble de e proprleLe de reflexlo de la dlLace eLc eL c
eL la vlLee de propagaLlo de ode elecLromageLlque our deLecLer la clble le
yLeme dolL doc reoudre u probleme de decllo eLre le deux hypoLhee ulvaLe
H 7 t b t
H 7 t s t b t

1
: ( ) ( ),
: ( ) ( ) ( )
=
= + - :

ou la premlere hypoLhee correpod labece de clble da la dlrecLlo 7 eL la deuxleme
la preece due clble ue dlLace qul eL deLermlee par :
Nota lhypoLhee H
1
de ce LeL blalre deped de deux parameLre - eL : qul e oL pa
cou Ce Lype de probleme de decllo ble plu dlfflclle reoudre e geeral que le
probleme de decllo lmple (comme le ca de lexemple precedaL) eL cou ou le om
de tests Jbypotbses composes

33 recoalace Je mots
La recoalace de moL parml u dlcLloalre eL ecore u probleme de decllo eLaL
doe u egmeL du lgal de parole quo admeL correpodre u moL ulque o dolL
declder de quel moL ll aglL Ce probleme Lre complexe peuL Lre formalle comme u
probleme de decllo avec auLaL dhypoLhee que de moL ua ce ca ecore chaque
Cours thorie statistique de dcision
Anne de Licence


7

hypoLhee (moL) eL compose pulque le lgal de parole qul correpod u moL doe
varle avec la peroe qul le prooce (homme/femme reglo ge )

ua Lou le exemple preeLe le yLeme de decllo eL defll par ue appllcaLlo de
lepace de obervaLlo da leemble de hypoLhee polble delge ceLLe
appllcaLlo par tqle Je Jclsloo Llle deLermle da lepace de obervaLlo ue
parLlLlo e oueemble dl[olL chaque oueemble correpodaL aux
obervaLlo qul oL aoclee ue mme hypoLhee

kqle Je Jclsloo pottltloo Je lespoce Jobsetvotloos e reglo #
i
aoclee aux
dlffereLe hypoLhee #
i i
H

Comme o dolL aocler ue hypoLhee chaque obervaLlo polble
# $
i
i
=

LL comme le hypoLhee oL oltetootlves ceLdlre loccurrece lmulLaee de deux
hypoLhee dlffereLe eL lmpolble le oueemble #
i
oL dl[olL
# #
i f
i f Y = = ,

La regle de decllo eL facllemeL decrlLe e focLlo de reglo #
i


r #
i i
H

ou r repreeLe le obervaLlo (qul peuveL Lre calalre vecLorlelle ou le echaLlllo
du lgal prl da u lLervalle de Lemp)


3 @ests de 8ayes
Cours thorie statistique de dcision
Anne de Licence


8

ua ceLLe ecLlo o eLudle lapproche 8ayelee aux probleme de decllo qul eL
baee ur la coalace pour chaque hypoLheeH
i
de la probablllLe o ptlotl pour que
ceLLe hypoLhee e realle
= ! H
i i
= Pr hypothese
eL qul aocle chaque comporLemeL polble du yLeme de decllo u coL (equlvaleL
ue peallaLlo ou ue recompee)

if
H
i
H
f
= cot de decider quand est vraie
La flgure ulvaLe llluLre la defllLlo de ce quaLlLe pour u test b|na|re (ou o coldere
que eulemeL deux hypoLhee oL polble)

H H
H H
vrai dcision
1 1
0 0

11
00
01
10
(! )
(! )
1
0

I|gure 3

ua la flgure precedeLe le llge lLerrompue repreeLeL le lLuaLlo derreur

Le LeL de 8aye colLeL deLermler le reglo de decllo #
1
eL #

de fao
mlolmlset lo voleot moyeooe Jo cot
= = = = H H H H H H H H = + + +
1 1 1 1 11 1 1
Pr , Pr , Pr , Pr ,

Chaque probablllLe co[olLe qul flgure da ceLLe exprelo peuL Lre ecrlLe comme
= = =
Pr , Pr , Pr , ( , ) H H H H ! 7 # H ! ! 5 H d
i f i f f i f f f f
i
= = =

r r
#

Cours thorie statistique de dcision
Anne de Licence


9

ou lo a exprlme la probablllLe de declder H
i
quad H
f
eL vrale comme la probablllLe pour
que le obervaLlo apparLleeL la reglo #
i
ou o decldeH
i
eLaL doe que H
f
eL
vrale

ua le ca de tests b|na|res le deux reglo de decllo oL complemeLalre # #
i f
= eL
o peuL doc ecrlre
5 d 5 d f i i f
i f
( ) ( ) , ; , , r r r r
# #

= = = 1 1
Avec ce reulLaL o peuL exprlmer le coL de 8aye e focLlo due eule reglo
)
! !
! 5 H ! 5 H d
= +
+

11 1 1
1 1 11 1 1

( ) ( , ) ( ) ( , ) r r r
#

Le deux premler Lerme da ceLLe exprelo de depedeL pa de reglo de decllo
eL coLlLueL ue peallaLlo flxe our mllmler ll fauL doc mllmler llLegrale our
cela o dolL aLLrlbuer #

Lou le polL de lepace de obervaLlo pour lequel

llLegraL eL egaLlf ce qul eL equlvaleL la regle de decllo ulvaLe
5 H
5 H
H
H
!
!
( , )
( , )
( )
( )
r
r
1

1
1 1 11
1

=
ou o a defll le eull
=

!
!
1
1 1 11
( )
( )


volL doc que le LeL de 8aye codulL compotet le toppott eotte les Jeoslts Je
ptoboblllts cooJltloooelles oo seoll ( % appelle le rapporL de delLe codlLloelle
da lequaLlo precedeLe le toppott Je vtolsemblooce

noLo que le LeL de probab|||t derreur moyenne m|n|ma|e oL u ca parLlculler de
LeL de 8aye our le obLelr ll ufflL de predre le valeur de coL ulvaLe
Cours thorie statistique de dcision
Anne de Licence


1



11
1 1

1
= =
= =

pour lequel le LeL opLlmal eL
5 H
5 H
H
H
!
!
( , )
( , )
r
r
1

1
1

kapport de Vra|semb|ance
Le rapport de vra|semb|ance (eLre le delLe de probablllLe codlLloelle
correpodaL chaque hypoLhee) qul deLermle le LeL de 8aye [oue u rle Lre
lmporLaL da Lou le probleme de decllo LaLlLlque eL era repreeLe par ( ) r
( )
( , )
( , )
r
r
r
=
5 H
5 H
1

L falL l o coldere que le delLe codlLloelle reumeL oLre coalace ur
chacue de hypoLhee ce rapporL compare dlrecLemeL la vralemblace de
obervaLlo ou chacue de hypoLhee

ulque lappllcaLlo due focLlo mooLoe affecLe pa la valldlLe due legallLe le
LeL de 8aye eL equlvaleL au LeL ulvaL
ln ( ) ln r
H
H
1

=
ou o a defll le ouveau eull
= ln
Le logarlLhme du rapporL de vralemblace eL comme o le verra par la ulLe
parLlculleremeL lmple l le delLe codlLloelle apparLleeL ue famllle
Cours thorie statistique de dcision
Anne de Licence


11

expoeLlelle (doL le delLe gaulee oL u ca parLlculler) appelle ln ( ) r le
toppott Je vtolsemblooce loqotltbmlpoe

Lxemp|e 34
SolL ue varlable aleaLolre de olo de parameLre 2
! k e
k
n
( )
!
=
2 2

oberve - echaLlllo ldepedaL de eL o veuL declder eLre le hypoLhee
H
H
1 1

:
:
2 2
2 2
=
=

La delLe de probablllLe de - obervaLlo pour ue valeur de 2 geerlque eL
! k k
e
k
N
N
n
N
n
k
n
n
N
( , . .. , : )
!
1
1
1
2 2
2
=

=
=

H

Le rapporL de vralemblace pour ce LeL eL doc

'
+

'

=

n
k N
N
e k k

1
(
1
) 1
) ,..., (
2
2
2 2



33 Stat|st|que suff|sante
appelle stotlstlpoe ue appllcaLlo de lepace de obervaLlo da u auLre epace e
geeral de dlmelo plu peLlLe que celle de lepace de obervaLlo our de probleme
ou le obervaLlo preeL valeur da u epace de dlmelo elevee (ou mme lflle
comme ceL le ca du probleme de commulcaLlo blalre) ll eL ouveL praLlque de
formuler le probleme de decllo e colderaL ue stotlstlpoe qul eL obLeue parLlr de
obervaLlo au lleu de le LralLer dlrecLemeL

La oLlo de stotlstlpoe sofflsoote eLabllL le codlLlo da lequelle oL peuL falre ceLLe
comprelo de doee a perLe dlformaLlo ar defllLlo 2( ) r est une stat|st|que
suff|sante l o peuL factor|ser le delLe codlLloelle pour chaque hypoLhee de la
fao ulvaLe
5 H f 2 7
i i
( , ) ( ( )) ( ) r r =
Cours thorie statistique de dcision
Anne de Licence


12

ou la focLlo ( ) r deped de obervaLlo mal pa de lhypoLhee l ua ce ca le
rapporL de vralemblace deped de obervaLlo r ulquemeL Lraver la LaLlLlque
ufflaLe
( )
( , )
( , )
( ( ))
( ( ))
r
r
r
r
r
= =
5 H
5 H
f 2
f 2
1

Lxemp|e 3S
Coldero le probleme de decllo blalre ulvaL effecLue N obervaLlo
ldepedaLe 7 7 7
N 1 2
,
,
, due varlable aleaLolre gaulee de covarlace 9
2
alL
que la valeur moyee de la varlable 2 peuL predre eulemeL deux valeur avec egale
probablllLe
H 2
H 2 ,

1
:
:
=
=

ou , eL ue coLaLe coue delre deLermler laquelle de deux valeur de 2
correpod aux obervaLlo effecLuee
our reoudre ce probleme o dolL dabord deLermler la focLlo de delLe de
obervaLlo ou chaque hypoLhee Lldepedace de obervaLlo permeL decrlre

5 H 5 7 7 7 H 5 7 H
7
7
N i
i
N
i
i
N
N N
i
i
N
( , ) ( , , , , ) ( , )
exp ( )
exp
r
1 2
1
2
2
1
2
2
1
1
2
1
2
1
2
1
2
= =
=
|
,
|

`
)
=
|
,
|

`
)
=
=
=
|
|

x9 9
x 9
9

LL de la mme fao pour lauLre hypoLhee

5 H 7 2
N N
i
i
N
( , ) exp ( ) r
2
2
1
1
2
1
2
=
|
,
|

`
) =

x 9
9

Le rapporL de vralemblace eL le quoLleL de ce deux delLe
( ) exp ( )
exp
r =

|
,
|

`
)
=

|
,
|

`
)
= =
=

1
2
1
2
2
2
2
1
2
1
2
2
1
9
9
7 2 7
N2 2 7
i
i
N
i
i
N
i
i
N

Cours thorie statistique de dcision
Anne de Licence


13

verlfle doc que la moyee de obervaLlo
1
1
N
7
i
i
N
=

eL ue LaLlLlque ufflaLe pour

ce probleme
( ) exp .exp r =
|
,
|

`
)
|
,
|

`
) =

N2 N2
N
7
i
i
N 2
2 2
1
2
1
9 9

Cecl veuL dlre que le LeL opLlmal peuL Lre coLrulL dlrecLemeL parLlr de laalye de la
moyee eL que doc ll eL pa ecealre de memorler LouLe le valeur obervee

Lxerc|ce 31
verlfler que la omme
k
n
n
N
=

1

de l'exemple 34 ur le LeL ur le parameLre de la varlable de olo eL ue LaLlLlque
ufflaLe

34 @ests de Neymanearson
our coLrulre le LeL de 8aye ceLdlre le coL moye due decllo ll fauL coaiLre
le probablllLe o ptlotl !
i
qul deLermleL la valeur du seoll auquel le rapporL de
vralemblace eL compare our beaucoup dappllcaLlo ce valeur e oL pa coue
eL o e peuL pa e coequece appllquer lapproche 8ayelee ou ecore mme l
elle oL coue le crlLere a[uLe au probleme eL pa obLeu par de colderaLlo de
ce qul e pae pour LouL leemble de lLuaLlo polble Le LeL de neymaearo
coLlLueL da ce ca ue approche alLeraLlve

Au lleu de colderer l'occurrece de chaque hypoLhee comme u pheomee aleaLolre eL
dopLlmler la performace moyee le LeL de neaymaearo agleL dlrecLemeL
ur le meure de performace ulvaLe
=
=
=
! H H
! H H
! H H
D
F
M
=
=
=
Pr ,
Pr ,
Pr ,
decider
decider
decider
1 1
1
1

!
D
eL appelee la probab|||t de dtect|on !
F
la probab|||t de fausse a|arme eL !
M
eL la
probab|||t de nondtect|on (mlss) CeLLe Lermlologle eL derlvee de yLeme radar
Cours thorie statistique de dcision
Anne de Licence


14

ou lhypoLhee H
1
eL ormalemeL aoclee la preece due clble eL lhypoLhee H

labece de clble
veuL uuellemeL avolr ue valeur de !
D
le plu grade polble eL e mme Lemp
ue valeur de !
F
la plu peLlLe polble CepedaL ce deux coLralLe e oL pa
ldepedaLe eL oL mme coLradlcLolre pour augmeLer !
D
o dolL augmeLer #
1
eL
pour mllmler !
F
o dolL dlmluer #
1
Le LeL de neymaearo correpodeL
moxlmlset lo ptoboblllt Je Jtectloo avec ue coottolote flxe sot lo ptoboblllt Je foosse
olotme

max ' ! !
D F
sous la contrainte = - -

La oluLlo eL obLeue Lraver luLlllaLlo de mulLlpllcaLeur de Lagrage eL eL ecore
ue fol doee par le rapporL de vralemblace
( ) r
H
H
1

2

ou malLeaL le eull 2 eL deLermle de fao verlfler la coLralLe
! 5 H d
F
= =

( , )

2
-

our arrlver ceLLe oluLlo o mllmle la focLlo qul eL obLeue e a[ouLaL la
focLlo mllmler (la probablllLe de odeLecLlo) le mulLlpllcaLeur de Lagrage fol la
coLralLe (l la coLralLe eL verlflee o aura mllmle la focLlo orlglelle)
)

F ! !
5 H d 5 H d
5 H 5 H d
M F
# #
#
= +
= +

'

+
'

= +

2 -
2 -
2 - 2
'
( , ) ( , ) '
( ' ) ( , ) ( , )
r r r r
r r r
1
1
1

1

ll reulLe lmmedlaLemeL de ceLLe exprelo que la regle de decllo opLlmale eL ecore la
comparalo du rapporL de vralemblace avec u eull (2) qul dolL Lre deLermle de
Cours thorie statistique de dcision
Anne de Licence


15

fao aLlfalre la coLralLe Cecl eL obLeu e defllaL #

comme leemble de
polL r ou la focLlo lLegree eL egaLlve

Lxerc|ce 3
ua u probleme de decllo blalre ue de deux hypoLhee ulvaLe eL vrale
H 7 s n
H 7 n
1

:
:
= +
=

ou le varlable aleaLolre s eL o oL ldepedaLe
5
, e
,
( )
,
,
s
s
s
s
=
>

|
,
|

5
be
b
( )
,
,
n
n
n
n
=
>

|
,
|

1 MoLrer que le rapporL de vralemblace eL proporLloel lobervaLlo
( ) r r =k
ueLermler le eull pour le LeL de 8aye opLlmal e focLlo de coL eL de probablllLe
o ptlotl
3 ueLermler le eull du LeL de neymaearo e focLlo de la probablllLe de faue
alarme


3S @ests M|n|max
Le LeL m|n|max oL ue auLre fao de reoudre de probleme de decllo quad o e
coaiL pa le probablllLe o ptlotl eL correpodeL chollr le test pol o lo mellleote
petfotmooce Joos le cos le plos Jfovotoble

our derlver ce LeL o commecera par aalyer llfluece du cholx du eull ur le rlque
de 8aye AdmeLLo alor quue cerLale valeur du eull de decllo eL flxee olL

ue
fol que le eull eL flxe la performace du LeL obLeu e comparaL le rapporL de
vralemblace avec lul eL deLermle
=
=
! H
! H !
F
M D
( ) Pr ( ) ,
( ) Pr ( ) , ( ( ))



1
1
=
= =

r
r


Cours thorie statistique de dcision
Anne de Licence


16

Le coL de 8aye eL doc
! ! ! ! ! ! ! !
D M F F
( ) ( ) ( ) ( ( )) ( )
11 1 1 1 1
1 = + + +

Sl o uLllle da ceLLe equaLlo le relaLlo
! !
D M
( ) ( )

1 + =
eL
! !
1
1 + =
o obLleL ue exprelo qul deped ulquemeL de !
1

! !
! ! !
F F
M F
( ) ( ( )) ( )
( ) ( ) ( ) ( ) ( )


1
1 11 1 11 1
1 = + +
+


ue ceLLe equaLlo o peuL coclure que le coL de 8aye aocle ce LeL pour ceLLe
valeur flxe du eull eL ue focLlo llealre de !
1


Ce LeL eL le LeL opLlmal l la relaLlo ulvaLe eL verlflee

1
1 1 11
1
1 1
1 1 11
=

!
!
!
!
( )
( )
( ) ( )
( )

ce qul eL vral pour
!

1
1
1 11 1
1
=
+ ( ) / ( )

our LouLe le auLre valeur de ! !
1 1

= le LeL opLlmal (qul correpod u eull

dlffereL) aura u coL lferleur La flgure ulvaLe moLre la varlaLlo du coL du LeL
opLlmal eL du coL pour u eull deLermle e focLlo de la valeur de la probablllLe o
ptlotl

Cours thorie statistique de dcision
Anne de Licence


17

!
1

I|gure 33 8lque de 8aye pour le LeL flxe eL pour le LeL opLlmal

dedulL doc que le coL pour u eull flxe eL LageL la courbe qul decrlL le coL du
LeL opLlmal pour chaque valeur polble de !
1


Le LeL m|n|max correpodeL chollr le LeL opLlmal pour la lLuaLlo ou le coL eL
maxlmale ce qul eL obLeu e preaL le LeL qul a u cot coostoot poot tootes les voleots
posslbles Je lo ptoboblllt o ptlotl our obLelr ce LeL o dolL doc chollr u eull qul
codulL de valeur de ! !
M F
, Lel que

! !
M F 11 1 11 1
+ = ( ) ( )

our de coL de 8aye qul oL dlffereL de zero eulemeL pour le lLuaLlo derreur le
LeL mllmax eL defll par
!
M
!
F

=
1
1


Lxemp|e 36
alL quue plece eL olL Ladard (l) olL deux coLe face (ll) dolL declder ur le
Lype de la plece avec u eul Llrage Le coL due decllo faue eL 1 eL celul due
decllo correcLe eL 0 La decllo eL prle elo la regle ulvaLe
l o oberve o declde (l)
l o oberve l o pred ue decllo aleaLolremeL (l) avec probablllLe 8 eL (ll)
avec ue probablllLe ( ) 1 8
MoLrer que le coL maxlmal eL mllmle pour 8 =
1
3

Cours thorie statistique de dcision
Anne de Licence


18

La valeur moyee du coL de 8aye eL da ce ca
2
1
) 1 )( 1 (
FF FF
! ! + = 8 8
ou o a adml que la plece Ladard eL equlllbree (egale probablllLe pour face eL plle) CeLLe
exprelo eL llealre e
FF
! Le maxlmum va doc e Lrouver ur u de llmlLe =
FF
!
ou 1 =
FF
! elo le lge du coefflcleL qul mulLlple
FF
! eL le coL eL coLaL l ce
coefflcleL eL ul
La valeur maxlmale du coL eL obLeue pour
O !
FF
= 1 l 8
1
3
eL da ce ca
max
= 8
1
3

O !
FF
= l 8
1
3
eL da ce ca
3
1
2
1
max

=
8

O ldepedaLe de !
FF
l 8 =
1
3
eL da ce ca =
1
3

CeL exemple coflrme l'aalye que ou avo falL precedemmeL c'eL dlre que le LeL
mllmax (qul mllmle le plre ca) eL obLeu quad le rlque devleL ldepedaL de la
valeur de la probablllLe o ptlotl


36 kece|ver Cperat|ng Character|st|c (kCC)
La performace de LeL dhypoLhee eL [ugee Lraver la palre (probablllLe de deLecLlo
probablllLe de faue alarme) ou da le ca de LeL 8ayele par le coL de 8aye qul
eL aul ue focLlo de ( , ) ! !
D F

lLrodulL lcl quelque omeclaLure uuelle e LaLlLlque
appelle tollle Joo test bloolte la probablllLe avec laquelle o chollL lhypoLhee H
1

quad lhypoLhee H

eL vrale
= )
FA
! H 7 H H = = =
1
, ) ( Pr est vraie , decider Pr -
ceLdlre la Lallle du LeL eL la probablllLe de faue alarme !
FA
appelle ecore -
la ptoboblllt Jetteots Jo type 1

La polssooce du LeL eL la probablllLe de declder correcLemeL l'hypoLheeH
1
ceLdlre
la probablllLe de deLecLlo !
D

Cours thorie statistique de dcision
Anne de Licence


19

= ) . = = Pr , Pr ( ) , decider est vraie H H 7 H
1 1 1

La probablllLe detteots Jo type 2 eL la probablllLe due hypoLhee erroee quad H
1
eL
vrale eL eL egale 1 mol la pulace du LeL

delre aLurellemeL avolr u test Je petlte tollle et le plos polssoot posslble Comme o
la eLudle le LeL plu pulaL due Lallle doee eL u LeL de vralemblace le LeL de
neymaearo

u LeL eL dlL oooblols l a pulace eL plu grade que a Lallle Cela veuL dlre que
moyee o declde plu probablemeL H
1
quad H
1
eL vrale que quad ceL hypoLhee
H

eL vrale

appelle 8C (kecelvet Opetotloq botoctetlstlc) du LeL la courbe de levoluLlo de la
pulace du LeL (probablllLe de deLecLlo) e focLlo de a Lallle (probablllLe de faue
alarme) L effeL ce deux probablllLe oL co[olLemeL deLermlee par le cholx du
eull

Ce courbe poedeL pluleur proprleLe
1 La courbe ! !
D F
( ) eL coovexe
) ( ) 1 ( ) ( ) ) 1 ( (
2 1 2 1
F D F D F F D
! ! ! ! ! ! ! - - - - + > +
1ou le LeL de vralemblace oL u 8C qul oL audeu de la llge ! !
D F
= (cela
veuL dlre qull o oooblolss)
3 La peLe de la courbe e u polL parLlculler eL egale la valeur du eull auquel o dolL
comparer le rapporL de vralemblace pour obLelr le probablllLe de deLecLlo eL de
faue alarme qul lul correpodeL
Dem
! 5 H d
! 5 H d
D
F
=
=

( , )
( , )


1

Sl o derlve le deux equaLlo eL que lo pred leur quoLleL
Cours thorie statistique de dcision
Anne de Licence


2

d!
D
d
5 H
d!
F
d
5 H
d!
D
d!
F
d!
D
d
5 H

= = =

( , ) , ( , )
( , )

Mal

! 5 H d 5 H d
D
# #
( ) ( , ) ( ) ( , ) = =

1 1
1
r r r r r
ou #
1
eL la reglo de decllo pour lhypoLhee 1 cad ou ( ) r Alor par u
chagemeL de varlable o peuL ecrlre la derlere lLegrale dlrecLemeL comme ue
moyee qul uLllle la delLe de probablllLe du rapporL de vralemblace
! 5 H d 5 H d
d!
d
5 H
D
#
D
( ) ( ) ( , ) ( , ) ( , )

= = =

r r r
1


Sl o uLllle ce reulLaL da lexprelo de
d!
D
d!
F
ll reulLe facllemeL
/!
/!

=

ue ceLLe demoLraLlo o peuL dedulre que la courbe du 8C eL odecrolaLe car
eL Lou[our polLlf

4 Le LeL mllmax eL deLermle par llLerecLlo de la llge
! !
D F 11 1 11 1
1 + = ( )( ) ( )
eL le 8C

37 @ests s|mp|es et composs
Le LeL blalre eLudle oL de LeL s|mp|es Ce om derlve du falL que ou chaque
hypoLhee la delLe de probablllLe de obervaLlo eL compleLemeL coue ce qul
permeL decrlre le rapporL de vralemblace
CepedaL da de ombreue lLuaLlo la delLe de probablllLe ou chaque
hypoLhee deped de parameLre qul e oL pa cou ceLdlre ll exlLe pluleur
delLe de probablllLe qul oL de cadldaLe polble pour decrlre le obervaLlo ou
au mol ue de hypoLhee
Cours thorie statistique de dcision
Anne de Licence


21

Lxemp|e 37
H 7 s n
H 7 n
1

:
:
= +
=

ou o eL ue varlable aleaLolre de delLe 5 N
n
( ) coue eL s eL ue coLaLe
deLermllLe lcoue Sl o admeL cou s le delLe aoclee chaque hypoLhee oL
da ce ca
! # H s 5 # s
5 # H 5 #
7 n
7 n
( , , ) ( )
( , ) ( )
1

=
=


CepedaL s eL pa cou eL doc o a u ombre lfll de polble delLe de
probablllLe qul peuveL decrlre le obervaLlo ou hypoLheeH
1
dlL alor que H
1
eL
ue hypoLhee compoee car o peuL lul aocler pluleur delLe elo la valeur de s

ua ce ca o appelle le parameLre lcou potomtte Je oolsooce ce qul LradulL le falL
quo eL lLeree eulemeL predre ue decllo eL pa coaiLre la valeur de s

peuL formaller geeralemeL ce lLuaLlo e lLrodulaL u vecLeur de parameLre de
ulace 7 doL depedeL le delLe de obervaLlo ou chaque hypoLhee
H 5 # H
H 5 # H
1 1

: ( , , )
: ( , , )
7
7

ua ce lLuaLlo le defllLlo precedeLe de tollle eL polssooce oL
=
=
- 7
. 7 7
7
=
=
sup Pr , ,
( ) Pr , ,
H H
H H
1
1 1

ceLdlre la Lallle eL par defllLlo la valeur uperleure de la Lallle du LeL pour LouLe le
valeur polble de 7 c'eLdlre le plre ca polble eL la pulace eL ue focLlo du
vecLeur de parameLre lcou

our le LeL compoe o delre deLermler u LeL qul olL opLlmal (da le e de
neymaearo) pour LouLe le valeur polble du parameLre lcou c'eLdlre que
parml Lou le LeL avec ue Lallle egale ou lferleure - olL le plu pulaL pour LouLe
Cours thorie statistique de dcision
Anne de Licence


22

le valeur polble du parameLre lcou appelle u LeL avec ceLLe proprleLe le LeL
oolfotmmeot le plos polssoot (uM)

Sl o pred lmporLe quel LeL a performace eL aLurellemeL llmlLee par la
performace du LeL qul eL defll pour la vrale valeur du parameLre lcou c'eLdlre ll
aura Lou[our ue performace lferleure ou egale au LeL opLlmal pour la vrale valeur du
parameLre La repreeLaLlo de la probablllLe de deLecLlo du LeL opLlmal e focLlo de la
valeur lcoue du parameLre pour dlffereLe valeur de probablllLe de faue alarme eL
appelee la fonct|on de pu|ssance CeLLe courbe eLabllL ue llmlLe la performace de Lou
le LeL

dlL quu LeL eL un|formment |e p|us pu|ssant l pour LouLe valeur de 7 la
probablllLe de deLecLlo qul correpod ue probablllLe de faue alarme (Lallle) flxee eL
maxlmale La codlLlo ecealre eL ufflaLe pour lexlLece du LeL ulformemeL le
plu pulaL eL la ulvaLe le rapporL de vralemblace eL le eull dolveL pouvolr Lre
deLermle a coaiLre 7

Lxemp|e 38
SolL le ombre deveemeL da ue experlece decrlL par ue lol de olo de
parameLre 7
! k
e
k
k
7
7
7 ( )
!
=


va coLrulre le LeL ulformemeL le plu pulaL pour LeLer le hypoLhee compoee
H
H
1

:
:
7 7
7 7

Le rapporL de vralemblace pour LeLer lhypoLhee compoee
1
7 7 coLre lhypoLhee
lmple

7 7 = eL
! k
! k
e
k
( , )
( , )
.
( )
7 7 7
7 7
7
7
7 7
=
=
=

'

+
'

1

Comme le rapporL de vralemblace eL mooLoe e o peuL ecrlre le LeL dlrecLemeL
e focLlo de lobervaLlo

1
1

7 7
7 7
ln
ln( )

Cours thorie statistique de dcision
Anne de Licence


23

Le eull peuL Lre deLermle de fao ce que la Lallle du LeL olL -
) -
7

= =

e
k
k H
k
k

!
Pr ,
'

CeLLe Lallle doe ble le plre ca polble car pour 7 7

la Lallle era plu peLlLe que -

(verlfler)
-
7
7 7
7
7

= =

e
k
e
k
k
k
k
k

!
sup
!


Le LeL eL ble le plu pulaL celul qul a ue plu grade probablllLe de deLecLlo pour
ue valeur doee de 7
1
parml Lou le LeL avec ue Lallle lferleure ou egale -


3 8 kapport de Vra|semb|ance Gnra||s
Le rapporL de vralemblace geeralle eL ue approche la reoluLlo de probleme de
decllo quad o e peuL pa coLrulre u LeL ulformemeL le plu pulaL
CeLLe procedure colLe aocler chaque hypoLhee H
i
ue delLe ulque parml
LouLe le delLe polble e preaL celle qul maxlmle la vralemblace de doee
eL luLlller pour coLrulre u rapporL de vralemblace redulL

5 7 H
5 7 H
H
H
( )
max ( , , )
max ( , , )
r =

7
7
7
7

Lxerc|ce 33
dlpoe de - meure due mme quaLlLe lcoue b e alL pa avec lequel de deux
lLrumeL
1
ou
2
le meure oL eLe prle alL que le premler lLrumeL lLrodulL pa
de blal eL a de erreur de meure gaulee de varlace9
1
2
eL que le deuxleme lLrumeL
lLrodulL u blal cou b eL de erreur de meure de varlace9 9
2
2
1
2
ueLermler le LeL de
Maxlmum de vralemblace pour ldeLlfler llLrumeL uLllle

Cours thorie statistique de dcision
Anne de Licence


24

39 Dtect|on dun s|gna| dans un bru|t |e f||tre adapt
Coldero le probleme de decllo ulvaL
H 7 s n k K
K 7 n k K
k k k
k k
1
2
1 2
1 2
: , , ,...,
: , , ,...,
= + =
= =

ou
= n
k
k
K
=1
oL de varlable aleaLolre lld N
n
( , )
2
9
= s
k
k
K
=1
oL de valeur coue qul verlfleL la codlLlo de ormallaLlo
s E
k
k
K
2
1
=
=


Ce modele repreeLe le probleme de la deLecLlo du lgal cou deergle da du
brulL blac Caule

deLermle le LeL qul m|n|m|se |a probab|||t derreur e admeLLaL coue le
probablllLe o ptlotl !

eL !
1
lLuaLlo uuelle e commulcaLlo

our ecrlre le rapporL de vralemblace o dolL dabord deLermler la delLe de
obervaLlo ou chaque hypoLhee Lldepedace de obervaLlo lmpllque
5 # # H 5 # H
7 7 k 7 k
k
K
k k 1
1 1 1
1
,...,
( ,..., , ) ( , ) =
=
|
Mal
5 # H N s e
7 k k n
n
# s
k
n
k k
( , ) ( , )
( )
1
2
1
2
1
2
2
2
= =

9
x9
9

eL doc

5 # # H e
7 7 k
n
K
# s
k
n
k k
k
K
1
2
2
1
1 1
1
2 1
2
,...,
( )
( ,..., , ) =

=

x9
9


Cours thorie statistique de dcision
Anne de Licence


25

our lauLre hypoLhee

5 # # H e
7 7 k
n
K
#
k
n
k
k
K
1
2
2
1
1
1
2 1
2
,...,
( ,..., , ) =

x9
9

Le rapporL de vralemblace eL doc

=

=
K
k
k
#
k
s
k
s
n
k
e # #
1
) 2
2
(
2
2
1
1
) ,..., (
9


Le LeL opLlmal (qul mllmle la probablllLe derreur) eL
1

1
1
) 2
2
(
2
2
1
!
!
H
H
e
K
k
k
#
k
s
k
s
n

=

9

ou due fao equlvaleLe

1
1
'
ln
2

9
= +

=
!
!
E
E
H
H
# s
n
K
k
k k

ou o a defll le lgal ormalle
E
s
s
k
k
=
'
ou

=
=
K
k k
s E
1
2
eL l'eergle du lgal
Lraml

verlfle que le deLecLeur opLlmal effecLue le produlL lLere du lgal reu avec ue
repllque (ormallee) du lgal eml CeLLe operaLlo peuL 'lLerpreLer de pluleur fao

1 f||tre adapt
CeLLe lLerpreLaLlo coldere le produlL lLere comme u echaLlllo prl la
orLle du fllLre doL la repoe lmpulloelle n
,d,5
( )eL deLermlee par le lgal
eml
n s
,d,5 K n
( ) =


Cours thorie statistique de dcision
Anne de Licence


26

c'eLdlre
# 7 K
,d,5
( ) ( )( ) =
ou la orLle du fllLre u lLaL geerlque eL doee par
( )( ) ( ) 7 5 7 q 5 7 s
,d,5 q ,d,5
q 5 K
5
q K 5 q
q 5 K
5
= =
=
+
=

ou ecore
( )( ) 7 5 7 s
,d,5 q q
q
K
=
=

La flgure ulvaLe llluLre le ca du lgal eml Lrlagulalre eL la repoe
lmpulloelle du fllLre du deLecLeur opLlmal correpodaL

s
h
K
K

I|gure 34 Slgal eL repoe lmpulloelle du fllLre


h
adap
r
K


I|gure 3S ueLecLeur opLlmal (coflguraLlo fllLre adapLe)

Cours thorie statistique de dcision
Anne de Licence


27


2 Corr|ateur

Ce mme deLecLeur peuL Lre lLerpreLe comme la orLle du bloc qul effecLue la
correlaLlo du lgal reu avec ue repllque du lgal eml volr la flgure ulvaLe

dt
x

I|gure 36 8ecepLeur correlaLeur


Ca|cu| de |a probab|||t d'erreur
deLermle par la ulLe la probablllLe derreur du deLecLeur opLlmal our ce calcul o va
admeLLre que les Jeox bypotbses soot qolemeot ptobobles eL doc que le LeL opLlmal eL
lmplemeL
7 s #
H
H
E
k k
k
K
( )
'
=

1 2



our calculer la probablllLe derreur

! ! #
E
H ! #
E
H
e
=

1 1
2 2
Pr ( ) , Pr ( ) ,

Cours thorie statistique de dcision
Anne de Licence


28

o dolL deLermler la delLe de probablllLe de # ( ) ou chaque hypoLhee ulque # ( )
eL ue comblalo llealre de va Caulee ll eL aul ue va Caulee ll reLe
doc calculer a moyee eL a varlace

PypoLhee P0
our la moyee

) )
E # H E s # H s E # H
k k
k
K
k k
k
K
( ), , ,
' '

1

1
=

= =
= =


La vqm eL doee par
) ) E # H E s # s # H s s E # # H s s
k k
k
K
n n
n
K
k n n k
k
K
k n n l k n
k
K
( ) , , ,
' ' ' ' ' ' 2

1 1

1
2 2
1
=

= = =
= = =

=

9 0 9
eL doc la varlace eL
',7 # H
n
( ),

2
= 9
PypoLhee P1
our lauLre hypoLhee o obLleL due fao lmllalre
) ) E # H E s # H s E # H E
k k
k
K
k k
k
K
( ), , ,
' '
1 1
1
1
1
=

= =
= =


eL
',7 # H
n
( ),
1
2
= 9
La probablllLe d'erreur eL doc (e uLlllaL la ymeLrle du probleme)

! 5 # H d # e d
e
n

E
E
n
= =

( ( ), ) ( )
/
/

2
2
2
1
2
2
2
x9
9


L uLlllaL la defllLlo de la fonct|on derreur comp|menta|re
Cours thorie statistique de dcision
Anne de Licence


29

e7fc x e du
u
x
( ) =

1 2
x

lexprelo precedeLe peuL Lre ecrlLe lmplemeL comme
! e7fc
E
e
n
=

'

+
'

/ 2
29

Cours thorie statistique de dcision
Anne de Licence


3

LkLkCICLS

1 Le delLe qul decrlveL le obervaLlo da u probleme de decllo blalre oL
) 2 / exp(
2
1
) ( :
) exp(
2
1
) ( :
2
2
1
# # 5 H
# # 5 H
7
7
=
=
x

a) Calculer le rapporL de vralemblace
b) Le LeL eL
( ) #
H
H
1

ueLermler le reglo de decllo pour pluleur valeur de

Colderer le probleme de LeL dhypoLhee ulvaL LLaL doee k obervaLlo
ldepedaLe

H 7 i K
H 7 i K
i
i
1 1
2

2
1
1
: , ,...,
: , ,...,
est Gaussien, moyenne et variance
est Gaussien, moyenne et variance
9
9
=
=

ou 9 9
1

a) ueLermler le rapporL de vralemblace
b) Suppoo que le eull eL
( ) #
H
H
1

MoLrer que 2 7 #
i
i
K
( ) =
=

2
1
eL ue LaLlLlque ufflaLe ueLermler le eull pour le LeL
Cours thorie statistique de dcision
Anne de Licence


31

2 7
H
H
( )
1

e focLlo de 9 9 , ,
1

c) ueLermler ue exprelo pour le probablllLe derreur
d) 1racer le kCC pour k1 9 9
1
2

2
2 1 = = ,
e) Cuelle eL la valeur du eull pour le crlLere mlolmox l
M F
= eL
11
= = "

3 uefllr le deLecLeur opLlmal (probablllLe derreur mllmale) pour u yLeme de
Lramllo Leralre qul LrameL avec ue probablllLe egale le ymbole (101) avec la
codlflcaLlo ulvaLe
= =
= =
= =
1 1
1
1 1
: , ,...,
: , ,...,
: , ,...,
2 s k K
2 k K
2 s k K
k k
k
k k


Le lgal reu eL la uperpolLlo du lgal Lraml avec du brulL blac Caule de
moyee ulle eL covarlace9
n
2
Calculer la probablllLe derreur du deLecLeur opLlmal
verlfler que pour de ymbole egalemeL probable eL avec le crlLere de probablllLe
derreur mllmale le deLecLeur opLlmal eL le deLecLeur de Maxlmum de vralemblace

4 Colderer u yLeme de commulcaLlo opLlque

M(t)
!( )
2
i
N(t)
detecteur
5


u laer LrameL pedaL llLervalle , t u ombre -(t% de phoLo qul ulL ue lol de
olo de parameLre qul deped du ymbole blalre LramlL 2 2 =

pour u ymbole 0
eL 2 2 =
1
pour u ymbole 1 Chaque phoLo eL deLecLe avec ue probablllLe p A parLlr de
Cours thorie statistique de dcision
Anne de Licence


32

lobervaLlo du ombre de phoLo deLecLe ,(t% o dolL declder quel ymbole a eLe
Lraml
a) ueLermler la lol de probablllLe de ,(t%
b) ueLermler le rapporL de vralemblace pour ce probleme
c) 1racer le 8C pour 2

1 = eL 2
1
2 = eL pour ue valeur de t cholle de fao que la
probablllLe de deLecLlo olL 0 pour ue probablllLe de faue alarme egale 001

S Colderer le probleme de deLecLlo du lgal cou da du brulL blac pour lequel o
a verlfle que le deLecLeur de probablllLe derreur mllmale eL le fllLre adapLe mal ou o
admeL malLeaL que le lgal eL reu avec u facLeur mulLlpllcaLlf lcou
H 7 2s n k K 2
H 7 n k K
k k k
k k
1

1
1
: , ,..., ,
: , ,...,
= + =
= =

a) ueLermler le rapporL de vralemblace pour ce probleme
b) verlfler quu LeL ulformemeL le plu pulaL exlLe Speclfler le LeL














Cours thorie statistique de dcision
Anne de Licence


33


thodes multivaries

Introduction

'analyse classique, unidimensionnelle, etudie les liaisons entre deux variables.
Pour etudier simultanement les liaisons existant entre plus de 2 variables, il Iaut recourir aux etudes
multidimensionnelles.
multivarie multidimensionnel multivariate en anglais
Cas particulier : on peut etudier la liaison existant entre deux variables en tenant compte d'une
troisieme grce aux 2Ft4des d,fuste2ent.

thodes dajustement

Principe

Facteur de confusion
On teste une liaison entre 2 variables mais on suspecte que la nature de cette liaison peut tre
diIIerente a l'interieur des sous groupes d'une des 2 variables, les sous groupes etant deIinis par un 3
e

Iacteur. Ce 3
e

Iacteur est appele Iacteur d'ajustement ou f,cteu7 de c4nfusi4n.
Exemple : on mesure la diIIerence de moyenne entre 2 groupes mais chaque groupe peut tre divise en
2 sous groupes selon le Iacteur de conIusion avec des diIIerences de moyenne signiIicativement
diIIerentes entre les 2 sous groupes. a consommation d'alcool est plus elevee dans les cancers du
poumon mais cette diIIerence disparat dans les sous groupes de Iumeurs et de non Iumeurs par contre
la consommation d'alcool est plus elevee dans le groupe de Iumeurs. e tabac est un Iacteur de
conIusion evident.

nteraction
On dit qu'il y a interaction si le Iacteur etudie a des eIIets signiIicativement diIIerents sur le critere de
jugement en Ionction des sous groupes deIinis selon le Iacteur d'ajustement. Dans l'exemple : si les
diIIerences de moyenne observees entre les groupes sont diIIerentes entre les 2 sous groupes, on dit
qu'il y a interaction entre le Iacteur groupe et le Iacteur de conIusion.
Dans ce cas, on ne peut utiliser un test d'ajustement.
Cours thorie statistique de dcision
Anne de Licence


34


critre de jugement
facteur d'ajustement ou
de confusion
ex : survie
variabilit
ex : score pronostique
avec 2 classes A et B
influence
teste
facteur d'intervention
interaction
ex : si le traitement a des
effets diffrents sur la
survie entre les classes A et B
ex : traitement


Dans l'exemple precedent le tabac interagit avec l'alcool.

Les diffrentes mthodes

#elation tester
(nature des variables)
Facteur de confusion thode

2 qualitatives

qualitatiI (ou quantitatiI rendu
qualitatiI)

Mantel et Haenzsel


1 quantitative
1 qualitative
-qualitatiI
-quantitatiI
analyse de variance
analyse de covariance

2 quantitatives -quantitatiI
-qualitatiI
correlation partielle
methode de $nedecor
N.B. : la methode de Mantel et Haenzsel est tres utilisee. Elle permet egalement de tester l'interaction.

nalyses multidimensionnelles

%ypes d'anaIyses muItidimensionneIIes

thodes descriptives

Cours thorie statistique de dcision
Anne de Licence


35

Il s'agit d'une representation graphique des liaisons existant entre les variables etudiees appelee
egalement ,n,lse de d4nnFes.
'interpretation graphique des variables doit tre tres prudente sur le 5l,n de 574fecti4n. es 2 types
les plus Irequents :
analyse en composante principale (ACP) : variables quantitatives
analyse Iactorielle des correspondances (AFC) : variables qualitatives.
Av,nt,es .
les graphiques obtenus sont tres "parlants" mme pour le neophyte. D'ou le succes de ces methodes qui
sont usitees mme dans les journaux grand public
l'AFC est la seule methode permettant d'etudier les relations entre plusieurs variables qualitatives non
privilegiees.
Inc4nvFnients .
les liaisons ne peuvent tre mesurees,
les variables ne peuvent tre classees par ordre d'importance,
surtout, la projection obtenue est assez arbitraire et source d'erreur,
methode subjective, peu aimee par les statisticiens notamment anglo-saxons.

thodes prdictives
Generalites
But : expliquer une variable privilegiee ou expliquee ou dF5end,nte a l'aide d'autres variables
(ex5lic,tives ou indF5end,ntes). a variable privilegiee est un evenement type critere de jugement,
comme la survie ou une complication d'une maladie. Il s'agit donc souvent d'un evenement ayant trait
au pronostic d'ou le terme d'etude pronostique (preIerer "predictive"). es variables explicatives sont
egalement appelees variables "pronostiques" ou mieux "predictives".
es methodes predictives ont deux avantages :
la liaison est mesuree, en particulier son degre de signiIicativite statistique,
les variables peuvent tre classees.
An,lse des c477Fl,ti4ns 5,7tielles
imitee aux variables qu,ntit,tives : elle permet d'etudier la correlation par 7F7essi4n linF,i7e entre 2
variables a niveau c4nst,nt d'une ou de plusieurs autres variables etudiees. Dans cette analyse, les
2 variables ont des rles s2Ft7iques. Elle mesure l'importance de chaque variable explicative et
permet de limiter le nombre de liaisons signiIicatives. Ainsi, des liaisons peuvent apparatre ou
disparatre mais, comme dans toute etude multivariee, la liaison mise en evidence n'a de valeur que si
elle correspond a une hypothese ou si sa signiIication medicale est raisonnable.
Cours thorie statistique de dcision
Anne de Licence


36

A noter que, dans cette analyse, aucune variable n'est privilegiee par le calcul. C`est pourquoi l'analyse de
correlation partielle est intermediaire entre les etudes descriptives et les etudes explicatives. es resultats
s'expriment par autant de coeIIicient r (avec un p) qu'il y a de paire de variables. Il n'y a pas de classement des
variables, chaque correlation est basee sur le test de 7F7essi4n linF,i7e (simple).
An,lse en 7F7essi4n 2ulti5le
C'est une methode de regression lineaire proche de la precedente. Elle traite egalement des variables
quantitatives.
Il y a une variable privilegiee : la variable expliquee ou dF5end,nte (qui est quantitative).
Elle teste la liaison entre cette variable et les variables (potentiellement) predictives. Chaque variable
predictive est aIIectee d'un coeIIicient (qui est un coeIIicient de correlation partielle) dont la
signiIication statistique est testee. On peut classer l'importance des variables. 'ensemble des variables
predictives est caracterise par un coeIIicient de regression multiple (R) dont le carre (R
2
) mesure le
pourcentage de variabilite de la variable expliquee. 'option 5,s a 5,s permet de choisir les variables
qui permettent de predire au mieux la variable expliquee. 'analyse pas a pas permet de selectionner
au premier "pas" le Iacteur qui possede la valeur predictive la plus Iorte, puis au deuxieme pas, le
Iacteur qui apporte le plus d'inIormation predictive supplementaire, et ainsi de suite jusqu'a ce que
l'inIormation predictive supplementaire apportee ne soit plus signiIicative.
An,lse disc7i2in,nte et 7F7essi4n l4istique
Elle permet la discrimination entre 2 groupes de sujets (variable qualitative a 2 classes). Ces groupes
sont deIinis par la variable expliquee ou dF5end,nte (par exemple la survie) a l'aide d'une combinaison
lineaire des variables indF5end,ntes explicatives. a methode la plus utilisee est l,n,lse
disc7i2in,nte linF,i7e de Fisher qui traite les variables qualitatives et quantitatives. Une autre
methode, la 7F7essi4n l4istique est adaptee a des variables qualitatives binaires ; elle permet de
tester l'interaction. Elle est plus Irequemment utilisee car moins sujette a la distribution (normalite) des
variables.
'option pas a pas est egalement possible pour determiner la combinaison, restreinte en variables, la
plus discriminante.
M4dele de 7F7essi4n de 4x
C'est la methode qui permet d'etudier des variables privilegiees dependant du te25s a partir de
variables predictives (quantitatives ou qualitatives binaires). Ce modele est particulierement adapte a
l'analyse des d4nnFes "t74nquFes" c'est-a-dire quand les sujets n'ont pas tous le mme suivi.
Il est necessaire d'avoir un grand nombre de sujets etudies.
Conditions :
hypothese de proportionnalite,
le rapport entre le nombre de sujets etudies et le nombre d'evenements donne le nombre optimum de variables
predictives a etudier (on dit Iaire entrer les variables dans le modele). Il est conseille de ne pas depasser un
rapport de 1 mais en pratique ce chiIIre est souvent depasse pour pouvoir tester plusieurs variables
predictives,
le nombre de perdus de vue ou d'exclus vivants doit tre reduit.
Elements devant tre produits :
Cours thorie statistique de dcision
Anne de Licence


37

pour chaque modele : /
2
, p, R
2

pour chaque variable : coeIIicient de regression, p
veriIication de l'hypothese de proportionnalite : soit de Iaon graphique, soit par des tests.
Avantages :
permet d'analyser des variables qualitatives et quantitatives dans le mme modele,
modele non parametrique : evite les contraintes de distribution pour les variables quantitatives,
tient compte des sujets n'ayant pas la totalite de suivi (donnee tronquee),
possibilite d'utiliser des variables dependantes du temps.
Inconvenients :
ne teste pas l'interaction entre les variables predictives.

;antages et incon;nients des tudes muItidimensionneIIes

Avantages
estimer la valeur predictive propre d'un Iacteur independamment des autres Iacteurs predictiIs etudies.
En redaction medicale, cela se traduit par : "Ce Iacteur avait une valeur predictive indF5end,nte..."
les Iacteurs ainsi selectionnes sont les seuls utiles a la constitution d'un index ou sc47e 574n4stique.
es Iacteurs predictiIs en analyse unidimensionnelle, non selectionnes en analyse
multidimensionnelle, sont redondants avec les Iacteurs selectionnes. Exemple : l'ge peut tre
redondant avec l'anciennete de la maladie ; le TP avec le Iacteur V.
Un Iacteur predictiI independant peut tre demasque (v,7i,ble dF2,squFe) par l'analyse multivariee
s'il n'etait pas signiIicatiI en analyse univariee.
Elles permettent d'etablir un index (ou un modele, un score) pronostique qui est une combinaison des
variables predictives independantes signiIicatives.
Inconvenients
e nombre de sujets doit tre eleve par rapport au nombre de Iacteurs etudies (idealement > 1) ; de
Iaon empirique, il est recommande d'analyser une variable explicative pour 1 sujets.
es resultats doivent tre veriIies sur une population diIIerente (v,lid,ti4n), si possible de Iaon
prospective. Il est cependant possible de diminuer le risque d'identiIier a tort un Iacteur en recalculant
les modeles (ensemble des variables explicatives signiIicatives) multidimensionnels sur un ou des
echantillons de sujets pris parmi les sujets de l'etude ( split technique )
a selection des variables explicatives est assez aleatoire. Elle inIlue sur les resultats du modele. Une
etude multivariee doit tre interpretee avec beaucoup de precaution et la validation du modele ne peut
tre Iaite que par d'autres equipes.
Cours thorie statistique de dcision
Anne de Licence


38



%abIeau rsum des anaIyses muIti;aries

%ype Variable dpendante Variables indpendantes thode
quantitative qualitative quantitatives qualitatives
Descriptives
oui oui analyse en composante
principale
oui oui analyse Iactorielle des
correspondances
Prdictives
oui correlations partielles
oui surtout regression multiple
oui oui oui analyse discriminante
binaire oui oui regression logistique
dependante du
temps
oui oui regression multiple de
Cox