Représentation probabiliste des connaissances : données et expertise

Abstrait

Tous les exemples du chapitre précédent présentent des situations stochastiques. Si on ne traduit pas le caractère stochastique de ces situations, on ne peut pas faire la distinction entre un bon résultat et une bonne règle de décision. Dans un contexte risqué, décider se présente comme l’action de prendre un pari et on ne peut exclure qu’une décision sensée mène à un résultat indésirable ou, qu’a contrario, il soit possible qu’un mode de comportement irrationnel mène, par chance, à une issue heureuse. L’objet de la théorie de la décision statistique est de rechercher un comportement décisionnel cohérent minimisant les chances d’occurrences de telles situations. La cohérence nécessite de quantifier, même de façon très simplifiée, l’éventail des conséquences aléatoires d’une décision et en s’appuyant le cas échéant sur une expertise qualitative a priori. Toute la gamme des informations quantitatives et qualitatives que peut recevoir un décideur est formalisée à travers un couple comprenant d’une part le modèle statistique de représentation du phénomène étudié et d’autre part le modèle de représentation des connaissances a priori. Ici, l’outil mathématique essentiel est le modèle. Un modèle est une construction mentale qui a pour but la traduction opérationnelle d’un ensemble de connaissances à des fins de déduction. Par traduction opérationnelle, on entend la possibilité de régénérer la distribution de résultats possibles conditionnellement à un nombre restreint de coefficients caractéristiques, encore appelés, paramètres.