T

AF
Introduction & Motivation

OUESLATI Amor

Université de la Manouba
R École Nationale des Sciences de L’Informatique

29 avril 2020 n
D
s io
er

Omar OUESLATI 1 / 15 Introduction & Motivation

 T
Modélisation Mathématique

Représentations mathématiques : qui retracent le comportement d’un

AF
phénomène quelconque Biologique, économique, financiers,
informatique, physique, chimique,...
Lorsqu’on dit modèle mathématique, c’es la meilleure représentation
(linguistique, graphique, tableaux, ...) qu’on peut avancer, en terme de
précision et de maniabilité.
R
n
D
s io
er

Omar OUESLATI 2 / 15 Introduction & Motivation

 T
Un modèle mathématique est une caractérisation de l’information

AF
Cette information à deux propriétés essentielles :

incertitude : théorie des probabilités.

complexité : théorie floue.
R
n
D
s io
er

Omar OUESLATI 3 / 15 Introduction & Motivation

 T
Un modèle mathématique est un outil d’aide à la décision

AF
Classification
Régression
prévision
...
R
n
D
s io
er

Omar OUESLATI 4 / 15 Introduction & Motivation

 T
Parmi ces outils d’aide à la décision

Automatic trading

AF
Bioinformatics
Business intelligence
Image
Big Data
...
R
n
D
s io
er

Omar OUESLATI 5 / 15 Introduction & Motivation

 T
Ils nécessitent une bonne maîtrise de :

AF
Statistiques
Mathématiques, optimisation
Informatique
R
n
D
s io
er

Omar OUESLATI 6 / 15 Introduction & Motivation

 T
AF
Data science

R
n
D
s io
er

Omar OUESLATI 7 / 15 Introduction & Motivation

Objectif des Statistiques

T
Fournir,

une description simple et aussi complète que possible (modèle

AF
probabiliste (M : f (x, θ))
d’une population (ou ensemble (P))
d’individus (ou éléments ou unités) envisagées
sous l’angle d’un caractère donné (C), représenté par une variable
statistique ou aléatoire X .
R
à travers l’information récupéré d’un échantillon (S).

n
D
s io
er

Omar OUESLATI 8 / 15 Introduction & Motivation

 T
au moyen d’un nombre limité de caractéristiques, par exemple,
N

AF
X
La moyenne X¯n = 1/n Xi ),
i=1
N
X
La variance Sn2 = 1/n (Xi − µ)2 )
i=1

Mêmes d’autres propriétés : médiane, quantiles, les moments d’ordre r ,

asymétrie, aplatissement,...
R
n
D
s io
er

Omar OUESLATI 9 / 15 Introduction & Motivation

Branches des statistiques

T
Les statistiques est une science ayant deux subdivisions :
1 Statistiques descriptives : collecte, organisation, description et
présentations des données.

AF
2 Statistiques inferentielles : Faire des inférences sur la totalité de la
population moyennant une information récupérée d’un échantillon.
En fait, Cette discipline a 4 composantes :
1 Théorie des probabilités.
2 Théorie d’échantillonnage
3
R
Théorie de l’estimation.
4 Théorie des tests d’hypothèses.
n
D
s io
er

Omar OUESLATI 10 / 15 Introduction & Motivation

 T
Statistiques descriptives Théorie de l’échantillonnage Théorie des probabilités
x1 , ..., xn X1 , ..., Xn
Ehantillon observé Echantillon Aléatoire Populpation
Observé Empirique Théorique

AF
Caractère X : v.s y = g(X1 , ..., Xn ) : v.a.r X : v.a.r
Caractérisation f.c ou f.g.m f.c ou f.g.m
F.R, d.d.fr F.R , d.d.p F.R , d.d.p
Ptés
n n
Tendance 1X 1X E(X ), Me
xn = xi , Me Xn = Xi , Me
n n
i=1 i=1
n n
Dispersion sn2 =
1X
(xi − x n )2 Sn2 =
1X
(Xi − X n )2 V (X ) = E(X − E(X ))2
n n
i=1 i=1
Assymetrie
Applatissement
R
n
D
s io
er

Omar OUESLATI 11 / 15 Introduction & Motivation

 T
Inférence Statistique & Modèles Probabilistes

Jusqu’à ce moment, on a supposé (implicitement ou explicitement) que

tous les paramètres nécessaires pour faire des calculs des probabilités

AF
d’un modèle probabiliste sont disponibles ou connus.
En statistiques, cependant, les rôles des paramètres (d’un modèle
probabiliste) et les réalisations (d’une expérience) sont un peu inversés
Le résultat d’une expérience est observée par l’expérimentateur alors
que la vraie valeur du paramètre (ou plus généralement, la vraie
distribution de probabilité) est inconnue à l’expérimentateur.
R
n
D
s io
er

Omar OUESLATI 12 / 15 Introduction & Motivation

 T
AF
En d’autres termes, l’objectif des statistiques est d’utiliser les résultats
des expériences aléatoires (c’est à dire les données à par de
l’expérience) pour faire des inférences sur les valeurs des paramètres
inconnues de la distribution de probabilité présumée sous-jacente.
R
n
D
s io
er

Omar OUESLATI 13 / 15 Introduction & Motivation

 T
Ainsi, on suggère qu’il n’y a aucune ambiguité relative au modèle
probabiliste pour une expérience donnée.

AF
Cependant, dans les problèmes statistiques réels, il peut y avoir une
grande incertitude sur le choix du modèle de probabilité approprié et le
modèle n’est choisi que lorsque les données sont obtenues.
De plus, dans plusieurs problèmes (peut être presque tous), il est
reconnue que tout modèle est, au mieux, une approximation de la
réalité.
R
n
D
s io
er

Omar OUESLATI 14 / 15 Introduction & Motivation

 T
Il devient important pour un statisticien de vérifier que tout modèle

AF
présumé est plus ou moins proche de la réalité et être prudent des
conséquences de l’erreur de spécification du modèle.
Dans la philosophie des statistiques, le modèle doit être le plus simple
dans le possible.
R
n
D
s io
er

Omar OUESLATI 15 / 15 Introduction & Motivation