0% ont trouvé ce document utile (0 vote)

3 vues55 pages

Comprendre l'incertitude et les probabilités

Le document présente une analyse approfondie de l'incertitude à travers des concepts de probabilités, de réseaux bayésiens et de règles de probabilité. Il aborde des notions telles que la probabilité conditionnelle, l'indépendance, et les calculs de probabilités jointes, tout en illustrant ces concepts par des exemples pratiques. Le plan du document inclut des rappels sur les probabilités, des règles de probabilité, et des applications de l'incertitude à travers le temps.

Transféré par

Fatima-Ezzahra Erraji

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

0% ont trouvé ce document utile (0 vote)

3 vues55 pages

Comprendre l'incertitude et les probabilités

Transféré par

Fatima-Ezzahra Erraji

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

L’incertitude

Stéphane Huet
10 octobre 2024
De multiples situations avec des incertitudes

Incertitude S. Huet 2/50

De multiples situations avec des incertitudes

Incertitude S. Huet 3/50

De multiples situations avec des incertitudes

Incertitude S. Huet 4/50

Plan

1 Rappels sur les probabilités

2 Règles de probabilité

3 Réseaux bayésiens

4 Incertitude à travers le temps

Incertitude S. Huet 5/50

Probabilités

• ω : sortie possible d’une expérience aléatoire

• P(ω) : degré de croyance dans ω
0 ≤ P(ω) ≤ 1

Loi de probabilité totale

P(ω) = 1
X

ω∈Ω

Ω : ensemble des sorties possibles (univers)

Incertitude S. Huet 6/50

Probabilités : 1 dé

1 1 1 1 1 1
6 6 6 6 6 6

Incertitude S. Huet 7/50

Probabilités : 2 dés

Incertitude S. Huet 8/50

Probabilités : somme de 2 dés

Incertitude S. Huet 9/50

Probabilités : somme de 2 dés

1
P(somme de 12) = P( , )=
36

4 1
P(somme de 5) = P( , ) + P( , ) + P( , ) + P( , )= =
36 9

Incertitude S. Huet 10/50

Probabilité conditionnelle : définition et exemples

Probabilité conditionnelle
Degré de croyance dans un événement sachant qu’un autre événement a eu lieu

P(a | b)

P(pluie aujourd’hui | pluie hier), P(maladie | résultats médicaux)

Incertitude S. Huet 11/50

Probabilité conditionnelle : calcul

P(a ∧ b)
P(a | b) =
P(b)

P(somme de 12∧ 1
Ex. : P(somme de 12 | )= )
= 36
1 = 1
6
P(
6
)

Incertitude S. Huet 12/50

Probabilité conditionnelle : calcul de P(somme = 11 | )?

Incertitude S. Huet 13/50

Probabilité conditionnelle et jointe

P(a ∧ b)
P(a | b) =
P(b)

P(a ∧ b) = P(a | b)P(b)

P(a ∧ b) = P(b | a)P(a)

Incertitude S. Huet 14/50

Variable aléatoire : définition et exemples

Variable aléatoire
Une « variable » en théorie des probabilités avec un domaine de valeurs possibles

• Lancer : {1, 2, 3, 4, 5, 6}
• Météo : {ensoleillé, nuageux, pluie, vent, neige}
• Vol : {à l’heure, retardé, annulé}

Incertitude S. Huet 15/50

Distribution de probabilité : exemple

P(Vol = à l’heure) = 0, 6
P(Vol = retardé) = 0, 3
P(Vol = annulé) = 0, 1

Incertitude S. Huet 16/50

Indépendance : définition et exemples

Indépendance
La connaissance qu’un événement arrive n’affecte pas la probablité d’un autre
événement

P(a ∧ b) = P(a)P(b)

P( , ) = P( )P( )= 1
6 × 1
6 = 1
36

Incertitude S. Huet 17/50

Plan

1 Rappels sur les probabilités

2 Règles de probabilité

3 Réseaux bayésiens

4 Incertitude à travers le temps

Incertitude S. Huet 18/50

Règle de Bayes

P(a | b)P(b)
P(b | a) =
P(a)
Inversion des probabilités conditionnelles

Incertitude S. Huet 19/50

Règle de Bayes : exemple

En sachant qu’il y a des nuages ce matin, quelle est la probabilité qu’il pleuve cet
après-midi ?

• 80 % des après-midi pluvieuses débutent par des matinées nuageuses

• 10 % des jours ont des après-midi pluvieuses

• 20 % des jours ont des matinées nuageuses

Incertitude S. Huet 20/50

Règle de Bayes : exemple

En sachant qu’il y a des nuages ce matin, quelle est la probabilité qu’il pleuve cet
après-midi ?

• 80 % des après-midi pluvieuses débutent par des matinées nuageuses

P(nuages | pluie) = 0, 8
• 10 % des jours ont des après-midi pluvieuses P(pluie) = 0, 1
• 20 % des jours ont des matinées nuageuses P(nuages) = 0, 2

Incertitude S. Huet 20/50

Règle de Bayes : exemple

En sachant qu’il y a des nuages ce matin, quelle est la probabilité qu’il pleuve cet
après-midi ?

• 80 % des après-midi pluvieuses débutent par des matinées nuageuses

P(nuages | pluie) = 0, 8
• 10 % des jours ont des après-midi pluvieuses P(pluie) = 0, 1
• 20 % des jours ont des matinées nuageuses P(nuages) = 0, 2
P(nuages | pluie)P(pluie) 0, 8 × 0, 1
P(pluie | nuages) = = = 0, 4
P(nuages) 0, 2

Incertitude S. Huet 20/50

Règle de Bayes : utilisation

En connaissant

P(résultats médicaux | maladie)

on peut calculer

P(maladie | résultats médicaux)

Incertitude S. Huet 21/50

Probabilité conjointe ou a priori

• Probabilité a priori ou probabilité inconditionnelle

• ex : P(Jeu = vrai) = 0, 1 et P(Météo = ensoleillé) = 0, 1 correspondent à des croyances
a priori, c.-à-d. avant l’arrivée de toute nouvelle preuve
• Distribution de probabilité conjointe pour un ensemble de variables aléatoires
P(Météo, Jeu) = une matrice de 4 × 2 valeurs
Météo= ensoleillé nuageux pluvieux neigeux
Jeu = vrai 0,576 0,08 0,064 0,08
Jeu = faux 0,144 0,02 0,016 0,02
• Toute question sur le domaine peut être répondue par la distribution conjointe

Incertitude S. Huet 22/50

Règles de probabilité

Négation

P(¬a) = 1 − P(a)

Inclusion-Exclusion

P(a ∨ b) = P(a) + P(b) − P(a ∧ b)

Incertitude S. Huet 23/50

Règles de probablité

Marginalisation

P(a) = P(a, b) + P(a, ¬b)

Marginalisation (cas général)

P(X = xi ) = P(X = xi , Y = yj )
X

Incertitude S. Huet 24/50

Marginalisation : exemple

B = pluie B = ¬ pluie
A = nuages 0,08 0,32
B = ¬ nuages 0,02 0,58

P(A = nuages) =P(A = nuages, B = pluie) + P(A = nuages, B = ¬pluie)

=0, 08 + 0, 32
=0, 40

Incertitude S. Huet 25/50

Règles de probabilité

Condtionnement

P(a) = P(a|b)P(b) + P(a|¬b)P(¬b)

Conditionnement (cas général)

P(X = xi ) = P(X = xi |Y = yj )P(Y = yj )

Incertitude S. Huet 26/50

Plan

1 Rappels sur les probabilités

2 Règles de probabilité

3 Réseaux bayésiens

4 Incertitude à travers le temps

Incertitude S. Huet 27/50

Définition d’un réseau bayésien

Réseau bayésien
Structure de données qui représente les dépendances entre des variables aléatoires

• Graphe orienté
• Chaque nœud réprésente une variable aléatoire
• Un arc depuis X vers Y signifie que X est un parent de Y
• Chaque nœud a une probabilité de distribution P(X | Parents(X ))

Incertitude S. Huet 28/50

Réseau bayésien : exemple

Météo
{ensoleillé, pluie, neige}

Accident
{oui, non}

Embouteillage
{oui, non}

Rendez-vous
{maintenu, annulé}

Incertitude S. Huet 29/50

Réseau bayésien : exemple

Météo
{ensoleillé, pluie, neige}

Accident
P(M )
{oui, non}
ensoleillé pluie neige
Embouteillage
0,7 0,2 0,1
{oui, non}

Rendez-vous
{maintenu, annulé}

Incertitude S. Huet 30/50

Réseau bayésien : exemple

Météo
{ensoleillé, pluie, neige}

P(A|M )
Accident
{oui, non}
M oui non
ensoleillé 0,1 0,9
Embouteillage
pluie 0,2 0,4
{oui, non}
neige 0,4 0,6

Rendez-vous
{maintenu, annulé}

Incertitude S. Huet 31/50

Réseau bayésien : exemple

Météo
{ensoleillé, pluie, neige}
P(E|A, M )

Accident A M oui non

{oui, non}
oui ensoleillé 0,6 0,4
oui pluie 0,8 0,2
Embouteillage oui neige 0,9 0,1
{oui, non} non ensoleillé 0,2 0,8
non pluie 0,5 0,5
non neige 0,7 0,3
Rendez-vous
{maintenu, annulé}

Incertitude S. Huet 32/50

Réseau bayésien : exemple

Météo
{ensoleillé, pluie, neige}

Accident P(R|E)
{oui, non}
E maintenu annulé
Embouteillage oui 0,4 0,6
{oui, non} non 0,9 0,1

Rendez-vous
{maintenu, annulé}

Incertitude S. Huet 33/50

Calcul des probabilités jointes

Météo
{ensoleillé, pluie, neige} P(M , A, E, R)
=
Accident
{oui, non}

Embouteillage
{oui, non}

Rendez-vous
{maintenu, annulé}

Incertitude S. Huet 34/50

Calcul des probabilités jointes

Météo
{ensoleillé, pluie, neige} P(M , A, E, R)
=P(M )P(A|M )P(E|A, M )P(R|E)
Accident
{oui, non}
Par ex. :
Embouteillage P(M = pluie, A = oui, E = non, R = annulé) =
{oui, non}
P(M = pluie)P(A = oui|M = pluie)
P(E = non|A = oui, M = pluie)P(R = annulé|E = non)
Rendez-vous
{maintenu, annulé}

Incertitude S. Huet 34/50

Inférence

• Requête X : variable pour laquelle on calcule la distribution

• Variables probantes E : variables observées pour l’événement e
• Variables cachées Y : les autres variables

• Calculer P(X |e)

• Inférence exacte par énumération
• Inférence approchée par échantillonage

Incertitude S. Huet 35/50

Inférence exacte par énumération : exemple

Météo P(M , A, E, R)
{ensoleillé, pluie, neige} =P(M )P(A|M )P(E|A, M )P(R|E)

Accident
{oui, non}
Par ex. :

Embouteillage P(R|M = pluie, A = non)

{oui, non} =αP(R, M = pluie, A = non)
=αP(R, M = pluie, A = non, E = oui)
Rendez-vous + αP(R, M = pluie, A = non, E = non)
{maintenu, annulé}

Incertitude S. Huet 36/50

Inférence exacte par énumération

P(X |e) = αP(X , e) = α P(X , e, y)

• X est la variable requête

• e est la valeur probante (observée)
• y représente les valeurs pour les autres variables (cachées)
• α (= P(e) )
1
normalise le résultat

Incertitude S. Huet 37/50

Échantillonnage

Météo
{ensoleillé, pluie, neige}
Tirage d’instances suivant les lois de probabilité
Accident définies par le réseau bayésien. Par ex . :
{oui, non}
M = pluie M = neige
A = non A = non
Embouteillage E = oui E = non
{oui, non} R = annulé R = annulé

Rendez-vous
{maintenu, annulé}