R EVUE DE STATISTIQUE APPLIQUÉE
G. M ORLAT
Statistique et théorie de la décision
Revue de statistique appliquée, tome 12, no 2 (1964), p. 5-13
<http://www.numdam.org/item?id=RSA_1964__12_2_5_0>
© Société française de statistique, 1964, tous droits réservés.
L’accès aux archives de la revue « Revue de statistique appliquée » (http://www.
sfds.asso.fr/publicat/rsa.htm) implique l’accord avec les conditions générales d’uti-
lisation (http://www.numdam.org/conditions). Toute utilisation commerciale ou im-
pression systématique est constitutive d’une infraction pénale. Toute copie ou im-
pression de ce fichier doit contenir la présente mention de copyright.
Article numérisé dans le cadre du programme
Numérisation de documents anciens mathématiques
http://www.numdam.org/
STATISTIQUE ET THÉORIE DE LA DÉCISION
G. MORLAT
Ingénieur à l’E.D.F.
Dans l’ensemble cette session sur la statistique, à
de
côté d’exposés, dont entendu un certain nombre ce ma -
vous avez
tin et dont d’autres vous seront présentés cet après - midi et
demain matin, exposés portant sur des pro~rès dans les appl ica-
tions à t’h~droto~ie et à l’hydraulique des techniques statis -
t i ques, il est apparu i ntéressant à Y. GIBRAT de fai re une place
tK7Mes, ~ est opparM ~teresso~ta~.G’7M~yde m’ademandé de
o ~o ~et/ïodo~o~te stattstK/Me e~ ge~eraZ et ~ ~’a de/~a~de
faire le point (bien partiellement, car il n’est pas possible
de
de fai re un exposé exhaut i f sur l’évolution de la méthode) des
idées fondamentales de la statistique. Je pense, en effet, que
c’est utile parce qu’ il n’y a probablement pas beaucoup d’exemples
de disciplines dont les acceptions dans les diverses techniques
soient aussi diverses que le sont les diverses acceptions de la
statistique.
L’expansion considérable de la statistique, au cours des
dernières dix ou quinze années, expansion qui a fai t connaître
à ces méthodes les succès que vous savez dans les domaines et
les techniques les plus variés, a peut-être un peu fait oublier
des efforts de réflexion portant sur les bases logiques, sur la
théorie même, induction statistique comme on dit, c’est-à-dir e
les principes de raisonnement qui sont à la base des méthodes
statistiques, et il est sans doute utile, même pour des prati-
ciens, d’être tenus au courant de ces travaux.
Même si les statisticiens, qui sont gens raisonnables, s’en plaignent
rarement, la statistique est une discipline bien mal nommée, et de ce
fait, parfois mal renommée. Combien de nos contemporains pensent en-
core, avec un personnage de Labiche, que le métier du statisticien con-
siste à compter le nombre de sexagénaires qui traversent le Pont Neuf
un dimanche après-midi.
Il est bien vrai que le rôle de la statistique, il y a un siècle ou
deux, c’était de compter les choses.
"Science, dit Littré, qui a pour but de faire connaître l’étendue, la
population, les ressources agricoles et industrielles d’un Etat... Les éco-
Revue de Statistique Appliquée. 1964 - Vol. XII -
N’ 2 5
nomistes ont créé un mot pour désigner la science de cette partie de
l’économie politique -les dénombrements- et l’appellent statistique".
Cette vocation de compter les choses, dont on pouvait se gausser
au siècle dernier, a revêtu quelque noblesse, depuis qu’on a reconnu
combien elle est essentielle à la bonne marche des systèmes économiques,
et donc des sociétés humaines. D’ailleurs, si les Incas prenaient très au
sérieux, avec raison, ceux de leurs fonctionnaires qui étaient chargés de
faire des noeuds sur des ficelles de couleurs diverses, tenant ainsi à
jour les statistiques vitales de leur Etat -comment nos contemporains
n’auraient-ils pas de la considération pour des hommes qui disposent
maintenant de machines à calculer électroniques, puissantes et coûteuses,
qui savent avec une bonne précision de quoi sont faites la population et
la production de leur pays et qui peuvent fournir, sur demande, au gou-
vernement, des chiffres pour éclairer ses décisions ?
Nous devons donc constater que la statistique, au sens de Littré,
a connu au coursdes dernières décennies une promotion considérable, et
cela suffirait à en faire une discipline pour l’honnête homme. Mais en
même temps le terme de statistique a progressivement désigné un do-
maine d’activité intellectuelle infiniment plus vaste, et c’est de cette évo-
lution là que je veux parler.
La première phrase d’un traité élémentaire de statistique, publié
il y a quelques années aux Etats-Unis, est celle-ci : "La statistique est
un ensemble de méthodes pour prendre des décisions raisonnables en pré-
sence d’incertitudes". Comme toutes les décisions humaines sont prises
en face d’incertitudes, cette modeste phrase indique donc que la statis-
tique, c’est la méthode pour prendre des décisions. Nous voici assez loin
de la science des dénombrements. Par quel chemin la statistique -sans
changer son étiquette, ce en quoi elle a peut être eu tort, puisque c’est
source de malentendus, mais il est trop tard de toute façon pour y reve-
nir- par quel chemin a-t-elle pu passer des dénombrements à la théorie
des Décisions ? C’est ce que nous nous proposons ici de mettre en lu-
mière, en retraçant sommairement les étapes par lesquelles la méthode
statistique a progressé ; nous n’aurons guère le souci de respecter
l’ordre historique de cette évolution, mais seulement de montrer comment
s’enchainent, d’une manière toute naturelle, les diverses conceptions de
la statistique qui vont de la "comptabilité des choses" à la logique des
décisions.
Les premières étapes sont les mieux connues. Pour rendre com-
modes les dénombrements, et pour présenter leurs résultats sous forme
succincte et maniable, on a l’habitude de calculer des moyennes et des
écarts moyens, d’établir des polygones de fréquence, ou des histogrammes,
des fibrogrammes, des courbes d’observations classées, et quelques autres
représentations commodes. La manière d’établir des tableaux à double
entrée -ou davantage- les graphiques représentant les variations d’un phé-
6 Revue de Statistique Appfiquée. 1964 - Vol. XII -
N’ 2
nomène selon les valeurs d’un autre, le concept de régression, et le cal-
cul des courbes de régression par la méthode des moindres carrés, la
définition et le mode de calcul des divers indices de liaison entre des
séries d’observations, tels le coefficient de corrélation, le carré moyen
de contingence, et beaucoup d’autres -tout cela fait partie de la statis-
tique descriptive ; c’est l’art et la méthode pour manier ; décrire et ré-
sumer des observations nombreuses. Mais lorsqu’il s’agit d’interpréter-
lorsqu’on se demande, par exemple, si deux séries d’observations
peuvent être regardées comme homogènes - ou si tel phénomène dépend
de tel autre- les recettes de la statistique descriptive ne nous permettent
guère de fonder des raisonnements solides. Il faut, pour de telles inter-
prétations, faire appel à des modèles, et les modèles convenables sont
fournis par le calcul des probabilités.
Est-ce suffisant ?
Le calcul des probabilités, au sens strict nous
apprend par exemple comment on peut tirer, d’un modèle probabiliste
donné, la loi de probabilité de la moyenne d’une série d’observations.
Cela éclaire grandement la situation, mais le statisticien voudrait, con-
naissant des observations, et ayant quelque idée sur les modèles con-
venables, préciser ces modèles ou les mettre à l’épreuve : il veut in-
duire et non pas déduire. Voilà pourquoi le calcul des probabilités n’est
pas suffisant, et pourquoi il a fallu élaborer une discipline nouvelle
étroitement fondée sur le calcul des probabilités, mais parfaitement ori-
ginale cependant, par les problèmes qu’elle aborde, et par son objet pré-
cis, qui est de formaliser l’induction, et de fournir le modèle de ce que
l’observation nous apprend des modèles. Cette nouvelle discipline a con-
tinué à s’appeler statistique -ou pour être plus précis, on la dénomme
statistique mathématique.
.
On convient généralement de considérer que la première pierre de
la statistique mathématique fut posée par Karl Pearson, avec son célèbre
mémoire de 1900 dans le Philosophical Magazine : "On the criterion that
a given system of deviations from the probable in the case of a corre-
lated system of variables is such that it can be reasonably supposed to have
arisen from random sampling". En réalité, le problème de l’induction
statistique avait été bien vu depuis fort longtemps, et le Révérend Thomas
Bayes avait écrit un mémoire, publié après sa mort, en 1764 dans les Phi-
losophical Transactions -"An essay towards solving a problem in the doc-
trine of chances"- où il proposait une solution générale à ce problème.
Mais la "formule de Bayes" -dont C ondorc et, Laplace et beaucoup d’autres
usèrent et abusèrent parfois- pouvait paraître bien arbitraire. Au début
de ce siècle il semblait souhaitable d’établir la statistique mathématique
comme une discipline indépendante d’éléments subjectifs ou arbitraires,
comme les probabilités a priori de Bayes -et il est assez plaisant de
constater que c’est en s’assignant un tel but, que nous savons aujourd’hui
littéralement insensé, que de grands statisticiens tels que Karl Pearson,
Sir Ronald A. Fisher, Jerzy Neyman (pour ne citer que les noms les
plus justement célèbres) ont pu en effet échafauder les principaux cha-
pitres de la statistique mathématique, et donner à cette science une im-
pulsion telle qu’elle a connu, au cours des dernières décennies, d’im-
menses succès théoriques et pratiques, et qu’elle est devenue indispen-
sable dans la plupart des domaines d’activités scientifiques.
Revue de Statistique Appliquée. 1964 - Vol. XII -
N’ 2 7
Mais les différents problèmes de la statistique mathématique-esti-
mation des paramètres, tests d’hypothèses, analyse de la variance, plans
d’expériences, statistiques d’ordre, etc. -pouvaient apparaître comme une
collection de problèmes ayant certes en commun ce trait fondamental d’im-
pliquer une induction, des observations au modèle, mais pour le reste
assez différents entre eux, et presque hétéroclites, en ce qui concerne
leurs formalisations respectives. Il a fallu attendre l’oeuvre d’Abraham
Wald pour voir se réaliser l’unité de la statistique mathématique, sous
la forme de la Théorie des Fonctions de Décision statistiques, dont les
divers chapitres que nous avons énumérés à l’instant apparaissent comme
des cas particuliers. C’est une étape un peu moins généralement connue,
et nous nous y arrêterons un instant, pour décrire d’une façon sommaire
la Théorie proposée par Wald. L’intérêt est double à nos yeux : montrer
l’unité des problèmes de la statistique mathématique et mettre en lumière
la nécessité de fondements logiques que l’on ne peut trouver que dans
une autre théorie, dont nous dirons quelques mots in fine.
Un problème statistique comporte les éléments formels suivants :
L’ensemble des observations, X, est l’ensemble de tous les "points"
x qui constituent tous les résultats d’observations possibles a priori, pour
le phénomène étudié. Naturellement, x peut être un nombre, un vecteur,
une fonction du temps, ou tout autre élément que l’on voudra.
Les diverses lois de probabilité prises en considération, F, forment
un ensemble Q. Ce sont des distributions de probabilité sur X, et elles
peuvent être en nombre fini, ou bien former une famille paramétrique,
ou être définies de quelque autre façon.
Le statisticien doit, au vu des observations, prendre une décision.
Les décisions possibles d forment un ensemble D. Dans certains cas, on
peut être amené à prendre en considération le tirage au sort entre plu-
sieurs décisions, avec des probabilités choisies au mieux : cela signifie
qu’on prend en considération l’ensemble D des distributions de probabi-
lité sur D. Du point de vue qui nous occupe ici, cela constitue un détail
technique, dont nous ne nous encombrerons guère par la suite.
Le problème posé est de choisir une décision d chaque fois qu’on
disposera d’observations x, c’est-à-dire de choisir une manière de faire
correspondre un d à tout x ; en d’autres termes, nous devons envisager
les applications de X dans D. Une telle application, Õ, constitue ce que
Wald appelle une fonction de décision, et nous noterons A l’ensemble des
fonctions de décision 6 .
Maintenant, en vertu de quelles considérations peut-on être amené
à choisir, une fonction de décision plutôt qu’une autre ? Si l’on prend
une décision d, alors que la loi qui représente le mieux le phénomène
étudié -ce que nous appellerons conventionnellement la "vraie" loi- est F,
alors on encourt certains avantages et certains désagréments. Admettons,
avec Wald, que ces conséquences peuvent être représentées valablement
par un nombre, que nous appellerons la "perte", ce nombre est donc une
fonction de F et de d, que nous représenterons par
8 Revue de Statistique Appliquée. 1964 - Vol. XII -
N’ 2
W (F , d) (fonction de perte)
Dans certains problèmes de contrôle des fabrications, ce concept
peut être rattaché à une perte au sens ordinaire, chiffrée en argent (ce
sera quelque chose comme l’espérance des divers coûts actualisées ré-
sultant d’une décision de rejet ou d’acceptation d’un lot de fabrication).
Mais dans la plupart des problèmes statistiques, il faut admettre que la
fonction de perte représente, forfaitairement, des inconvénients de toute
nature ; on verra plus loin
qu’il suffit de lui attribuer des formes extrê-
mement simples pour retrouver et dans une certaine mesure justifier les
techniques classiques de la statistique.
On doit choisir, avons-nous dit, non pas une décision, mais une
fonction de décision : la fonction de perte n’est qu’un intermédiaire, et
l’on attachera à toute fonction de décision Ô l’espérance de la perte cor-
respondante, ce que nous écrivons :
et que appellerons. en reprenant toujours la terminologie de Wald,
nous
fonction de risque. Le sens de ce nouveau concept peut être rendu plus
explicite : à une distribution de probabilité F sur X, la fonction de déci-
sion, qui est une application de X dans D, associe une distribution de
probabilité sur D, et en conséquence également une distribution de pro-
babilité pour W : d’où la possibilité d’en calculer l’espérance, qu’exprime
bien la formule ci-dessus.
La considération de la fonction de risque, permet-elle de choisir
une règle de décision ? Ce sera vrai dans des cas exceptionnels où il
existera une fonction de décision Ô rendant minimum le risque quel que
soit F. Mais en général, on peut s’attendre à ce que la règle de déci-
sion, qui minimise le risque dépende de F. Avant de signaler comment
on peut surmonter cette difficulté, illustrons les notions que nous venons
d’introduire, en examinant quelques problèmes statistiques classiques .
On connaft le problème de l’estimation d’un paramètre : la famille
Q des lois de probabilité est par exemple une famille à un paramètre,
F (x, e) et on veut, d’après des observations, assigner une valeur appro-
ximative à 8. C’est bien un cas particulier des problèmes que nous ve-
nons de décrire. Une décision est constituée par la valeur t qu’on attri-
buera au paramètre, une règle de décision n’est pas autre chose qu’une
fonction t (x) - c’est ce qu’on appelle en statistique mathématique un es-
timateur.
Supposons que la fonction de perte admise soit proportionnelle au
carré de l’écart entre la valeur vraie du paramètre et sa valeur esti-
mée :
Alors la fonction de risque sera, dans le cas d’un estimateur sans biais :
Revue de Statistique Appliquée. 1964 - Vol. XII -
N’ 2 9
Minimiser la fonction de risque, c’est donc ici rechercher les estima-
teurs de variance minimum : on voit comment on pourra justifier la mé-
thode du maximum de vraisemblance et quelques autres méthodes clas-
siques d’estimation.
Considérons maintenantun problème de test -et pour simplifier
l’exposé, admettrons qu’on s’intéresse exclusivement à des modèles
nous
entièrement déterminés : on veut tester une hypothèse simple F, contre
une alternative simple, G. L’ensemble X étant au reste quelconque, Qest
formé des deux lois F et G. L’ensemble des décisions possibles comporte
aussi deux éléments, à savoir :
dl: conserver l’hypothèse F
d2: rejeter l’hypothèse F
Dès lors, une fonction de décision est simplement une partition de
X en deux sous-ensembles -ou encore c’est la donnée d’une région cri-
tique, ou région de rejet.
Prenons pour fonction de perte la fonction représentée par le ta-
bleau ci-dessous :
Autrement dit, la perte est nulle quand on prend une décision cor-
recte, égale à l’unité quand on commet une erreur. On calcule sans peine
la fonction de risque, qui vaut a pour F et j3 pour G, a désignant le seuil
de signification du test, et (3 la probabilité d’erreur de seconde espèce.
Là encore, nous retrouvons tout naturellement des notions classiques.
Dans l’exemple de l’estimation - et du moins pour la plupart des
formes de lois de probabilité d’usage courant - l’estimateur de variance
minimum, ou l’estimateur de Fisher, ne dépend pas de la valeur du pa-
ramètre que l’on cherche à estimer : nous sommes dans ce cas privi-
légié où il existe une fonction de décision uniformément meilleure que
toutes les autres- cette proposition étant vraie sans restriction lorsqu’il
existe un estimateur exhaustif, et n’étant vraie qu’asymptotiquement dans
d’autres cas.
Nous constatons qu’il en va tout différemment dans l’exemple des
tests : même dans les cas les plus simples, il faut choisir un compro-
mis entre les deux risques d’erreurs a et P :: on sait bien qu’il n’existe
pas de test qui rende à la fois a et P aussi petits que possible.
10 Revue d. Statistique Appliquée. 1964 - Vol. XII - N’ 2
C’est la difficulté déjà signalée plus haut : la fonction de risque dé-
pend des deux arguments F et Õ. Il faut décider d’un principe de choix.
Wald a suggéré qu’on pourrait trancher cette ultime difficulté en
adoptant le principe du minimax : la fonction de décision retenue serait
celle qui réalise la condition :
mins maxF x (F, Õ)
C’est une prudence extrême, et l’analogie formelle entre
règle de
les problèmes de la statistique et ceux de la Théorie des Jeux à deux
joueurs a pu rendre cette règle fort séduisante. Mais il convient de noter
que la justification du minimax dans la Théorie des Jeux réside essen-
tiellement en ceci, que le minimax conduit à un point d’équilibre : si l’un
des joueurs s’écarte de la stratégie optimale, il sera pénalisé Dans les
problèmes statistiques, l’un des joueurs est le statisticien, l’autre est la
"nature", qui est censée choisir la loi de probabilité F inconnue. On ne
peut guère considérer sérieusement que les intérêts de la nature sont op-
posés à ceux du stàtisticien -et le minimax perd de ce fait toute espèce
’
de justification.
Wald a étudié par ailleurs une catégorie de fonctions de décision
dont il a montré l’importance : ce sont les fonctions de décision de Bayes,
c’est-à-dire celles qui réalisent une condition du type
min~ EE r (F, o)
E étant une distribution de probabilité sur l’ensemble Q des lois de pro-
babilité F (~ est appelée habituellement "distribution de probabilité a prio-
ri"). Wald a montré que, dans des cas très généraux, les fonctions de
décision de Bayes sont les seules fonctions de décision admissibles -c’est-
à-dire telles qu’il n’existe aucune autre fonction de décision dont le risque
serait plus faible pour tout F. Aux yeux de Wald, il s’agit là d’une pro-
priété purement formelle et la distribution de probabilité à priori n’est
qu’un élément formel intermédiaire, permettant de sélectionner une classe
de fonctions de décision intéressante : c’est que la statistique était encore
fortement tournée, il y a une dizaine d’années, vers la recherche de prin-
cipes objectifs.
Aujourd’hui, un nombre croissant de statisticiens admettent que la
recherche d’un principe de choix objectif est vaine. Les problèmes de
décisions statistiques dont nous venons d’esquisser sommairement les con-
tours, entrent dans la catégorie des problèmes de décision en face d’in-
certitudes, et la Théorie Générale des Décisions nous apprend que des
choix cohérents -ou rationnels- la définition précise de ces adjectifs peut
être traduite dans des postulats aussi convaincants qu’on peut le souhaiter
-de tels choix sont nécessairement ceux que l’on commettrait en maxi-
misant l’espérance d’une fonction d’utilité des conséquences- ou, ce qui
revient au même, en minimisant l’espérance d’une fonction de perte con-
venablement choisie. L’espérance doit être prise par rapport à une dis-
tribution de probabilité traduisant tous les éléments d’incertitude sur les-
quels n’influe pas la décision du statisticien -et en particulier des pro-
babilités doivent être affectées aux éléments de l’ensemble Q des modèles.
Revue de Statistique Appliquée. 1964 - Vol. XII -
N’ 2 11
C’est dire que la seule façon de donner un fondement logique solide
à la statistique, semble bien être de considérer que les distributions a
priori ~ doivent représenter un certain degré de connaissance, ou de con-
fiance, préalable, à l’égard des diverses lois F.
Cela, c’est en quelque sorte le droit le plus général. Dans la pra-
tique faut-il recommander de traduire toujours les connaissances a priori
par une distribution de probabilité, et considérer que tous les efforts de
la statistique classique -celle qu’on appelait moderne il y a dix ans-
doivent être passés par pertes et profits ? Certains n’hésitent pas à l’af-
firmer.
Personnellement, nous admettons sans réserve que la Théorie Gé-
nérale des Décisions, ou encore Théorie de la Probabilité-Utilité, cons-
titue le seul modèle logique valable. Mais le choix effectif des probabi-
lités a priori éveille dans beaucoup de situations pratiques des scrupules
trop vifs pour qu’on puisse penser qu’ils sont dénués de fondement. Il
convient de juger en connaissance de cause, et dans chaque cas particu-
lier, quels inconvénients pèsent le plus lourd, de ceux d’un choix hasar-
deux des probabilités a priori, et de ceux d’une règle de choix conven-
tionnelle, permettant de s’en passer. Heureusement, dans les problèmes
les plus courants de la statistique, on peut reconnaître que ce dilemne
est facilement tranché. Nous avons eu l’occasion de constater que le pro-
blème de l’estimation des paramètres donne lieu, sous certaines condi-
tions, à une règle de décision optimale évidente. On peut montrer, d’autre
part, que dans beaucoup de problèmes de tests, des hypothèses très géné-
ralement raisonnables concernant à la fois les probabilités a priori des
diverses hypothèses et les coûts des diverses erreurs, permettent de jus-
tifier les méthodes classiques -en montrant que la règle, optimale, au
sens de la Théorie des Décisions, s’écarte assez peu de la convention
courante, qui consiste à choisir des tests ayant un niveau de signification
faible. Bien entendu, cette propriété n’est nullement générale, c’est une
des raisons pour lesquelles, il nous semble nécessaire que les Ingénieurs,
de même que les autres utilisateurs possibles de la statistique, soient
informés des rapports entre les techniques statistiques et la Théorie de
la Décision ; nous avons essayé, d’une façon beaucoup trop succincte sans
doute, d’en donner seulement les grandes lignes. Peut-être e-at-il été bon
d’esquisser avec plus de précision le contenu de la Théorie Générale des
Décisions ; mais ceci est une autre histoire...
NOTE BIBLIOGRAPHIQUE
A. Wald - Statistical Decision Functions. Wiley, 1950.
J. L. SAVAGE - The Foundations of Statistics. Wiley, 1954.
Concernant la Théorie Générale des Décisions, on pourra consulter :
12 Revue de Statistique Appliquée. 1964 - Vol. XII - N’, 2
La Décision - Colloques Internationaux du CNRS, 1961.
R.D. LUCE et H. RAIFFA - Games and Decisions. Wiley, 1957.
G. MORLAT - Des Poids et des Choix. Mathématiques et Sciences Hu-
maines n° 3, ou Bulletin S.E.D.E.I.S., Futuribles, n° 26.
DISCUSSION
(Président : M. MORLAT)
M. Ferry signale une difficulté supplémentaire à laquelle M. Morlat ne
semble pas avoir fait allusion : l’arbitraire du choix de la fonction de perte. Par
exemple, dans les problèmes les plus courants d’estimation où l’on minimise une
somme d’écarts, on choisit la somme des carrés de préférence à la somme des
valeurs absolues parce que cela présente des facilités mathématiques, mais on
peut se demander si la première méthode peut être logiquement considérée comme
supérieure à la deuxième.
M. Morlat fait remarquer qu’une présentation générale de la théorie des
fonctions de décision statistique permet de recouvrir les divers cas. Il a cité ,
dans son exposé, uniquement l’exemple des techniques d’estimation classiques. Mais
il est bien d’accord sur la suggestion de M. Ferry : il peut y avoir intérêt, dans
certains cas, à remplacer la fonction de perte (t - 9)2 par quelque autre fonction ;
si on adopte par exemple pour fonction de perte la quantité Prob ( t - e c), on
retrouvera comme méthode d’estimation la méthode que Pittman avait présentée
en 1935 ou 1937 sous le nom de "closest estimate". On peut aussi bien, en choi-
sissant d’autres fonctions de perte, retrouver, et justifier dans une certaine
mesure, des méthodes d’estimation assez diverses.
La remarque de M. Ferry vient à point pour souligner que, dans certains
problèmes, on pourra avoir intérêt à s’écarter des solutions classiques.
Revue de Statistique Appliquée. 1964 - Vol. XII -
N’ 2 13
