Cadre statistique pour choisir entre des hypothèses concurrentes sur des signaux observés en présence de bruit et d'interférences, en définissant des règles de décision qui gèrent les compromis entre types d'erreurs (fausses alarmes et omissions) sous des modèles probabilistes ou contraintes de coût spécifiés.

Principe

Pour des hypothèses simples sous conditions de régularité, les tests basés sur le rapport de vraisemblance fournissent des règles de décision optimales pour des critères donnés (p. ex. maximiser la probabilité de détection pour un taux de fausse alarme fixé) ; plus généralement, le choix de la règle reflète le compromis entre types d'erreurs et les priors ou coûts supposés.

Démonstration

Scénario illustratif → Un récepteur radar doit décider si une cible est présente (H1) ou absente (H0) à partir d'échos bruités. Le récepteur calcule une statistique de test (p. ex. sortie d'un filtre adapté) et la compare à un seuil fixé pour atteindre un taux de fausse alarme cible ; relever le seuil réduit les fausses alarmes mais augmente les détections manquées, illustrant le compromis opérationnel.

Mauvaise application

Considérer une décision de détection comme une localisation précise ou une preuve que les paramètres du signal estimés sont exacts. L'erreur sémantique consiste à confondre décision d'hypothèse (présence/absence) et estimation de paramètre ou à interpréter la décision comme une affirmation absolue de vérité indépendante du modèle et du choix du seuil.

Conséquence

La théorie de la détection permet de fixer les seuils de décision, de calculer les courbes ROC, d'allouer les ressources de détection et de spécifier des garanties de performance sous le modèle et l'encadrement coûts/erreurs choisis.

Inversion

Lorsque les statistiques du bruit, les hypothèses d'indépendance ou l'information sur les coûts/priors sont inconnues ou incorrectes, les résultats d'optimalité classiques (p. ex. Neyman–Pearson) peuvent ne pas s'appliquer ; des approches robustes, minimax ou bayésiennes et des détecteurs généralisés deviennent alors appropriés.

Limite

Dans le champ : tests d'hypothèse pour la présence/absence ou entre un petit nombre de modèles de signal spécifiés sous un modèle statistique explicite. Cas limite : détection parmi un grand nombre d'hypothèses proches où le problème se confond avec la classification. Hors du champ : estimation détaillée de paramètres ou inférence sur des paramètres à valeurs continues où les décisions sont des résumés insuffisants.

Tension sémantique

Sensibilité (Probabilité de Détection) ↔ Spécificité (Taux de Fausses Alarmes) — améliorer l'une dégrade souvent l'autre, imposant un choix contextuel des compromis acceptables.

Synthèse

La théorie de la détection formalise la prise de décision sur la présence d'un signal comme un problème de compromis : elle prescrit comment convertir des observations bruitées en décisions seuilées selon des modèles et critères de performance, en distinguant la correction de la décision de la précision des paramètres ou de la certitude sémantique.