Académique Documents
Professionnel Documents
Culture Documents
1.2 Variables Et Vecteurs Aléatoires Discrets
1.2 Variables Et Vecteurs Aléatoires Discrets
Semaine 3
I Probabilités discrètes
Probabilités I Variables et vecteurs aléatoires discrets
I Espérance, espérance conditionnelle
Variables et vecteurs
aléatoires discrets
Variables aléatoires discrètes : Loi Semaine 4
Vecteurs aléatoires discrets
I Indépendance, variance, covariance
Conditionnement
Transformations I Variables aléatoires continues
I Vecteurs aléatoires continus
Anne Sabourin
c Télécom ParisTech
Fondamentaux pour le Big Data
1/12
Variables aléatoires discrètes
I v.a. discrète : « quantité réelle aléatoire », X avec un
nombre fini ou dénombrable de valeurs possibles
{x1 , x2 , . . . } ⊂ R
I Une fonction de Ω dans R.
I Image réciproque de B ⊂ R par X :
Probabilités
(déf)
X −1 (B) = {ω ∈ Ω : X (ω) ∈ B} :
Variables et vecteurs
aléatoires discrets
Variables aléatoires discrètes : Loi
Vecteurs aléatoires discrets ...
Conditionnement
Transformations
Anne Sabourin
c Télécom ParisTech
Fondamentaux pour le Big Data
3/12
Exemples : v.a. de Bernoulli et Catégorielle
I Variable de Bernoulli (pile ou face). Soit p ∈ [0, 1]
(probabilité de succès) et X = {0, 1}.
Une v.a. X est dite de Bernoulli de paramètre p si sa loi
PX (« loi de Bernoulli ») est
Probabilités PX {1} = p
PX {0} = 1 − p
Variables et vecteurs
aléatoires discrets On écrit X ∼ Bern(p)
Variables aléatoires discrètes : Loi I Variable catégorielle : lancer de dé à k faces : X est le
Vecteurs aléatoires discrets
Conditionnement résultat du lancer.
Transformations
PX {i} = P({X = xi }) = pi
k
X
pi ≥ 0, pi = 1.
i=1
Dé faussé Dé équilibré
Variables et vecteurs
0.5
0.5
aléatoires discrets
Variables aléatoires discrètes : Loi
0.4
0.4
Vecteurs aléatoires discrets
Conditionnement
0.3
0.3
Transformations
0.2
0.2
0.1
0.1
0.0
0.0
1 2 3 4 5 6 1 2 3 4 5 6
Anne Sabourin
c Télécom ParisTech
Fondamentaux pour le Big Data
5/12
Vecteurs aléatoires discrets
ex : ω = client, on s’intéresse à plusieurs grandeurs :
X(client) = Q(âge, salaire, genre, profession)(client)
Notation : di=1 Xi = {(x1 , . . . , xd ) : xi ∈ Xi }.
I Vecteur aléatoire X : une fonction
Yd
Probabilités X:Ω→X = Xi (Xi discret)
i=1
Variables et vecteurs ω 7→ X(ω) = (X1 (ω), . . . , Xd (ω))
aléatoires discrets
Variables aléatoires discrètes : Loi Qd
La loi jointe de X est la probabilité sur i=1 Xi définie par
I
Vecteurs aléatoires discrets
Conditionnement
Transformations d
Y
PX : A ⊂ Xi 7→ PX (A) = P{X ∈ A}
i=1
PX {(x1 , . . . , xd )} = P{X1 = x1 , X2 = x2 , . . . , Xd = xd }
Anne Sabourin
c Télécom ParisTech
Fondamentaux pour le Big Data
6/12
Lois marginales
I On connait P(X ,Y ) . lois marginales PX et PY ?
[
{X = x} = {X = x} ∩ {Y = yj } (union disjointe)
j∈N
Probabilités
Variables et vecteurs
aléatoires discrets
Variables aléatoires discrètes : Loi
Vecteurs aléatoires discrets
Conditionnement
Transformations X
PX {x} = P({X = x} ∩ {Y = yj })
j∈N
X
= P(X,Y) (x, yj )
j∈N
I de même pour PY
Anne Sabourin
c Télécom ParisTech
Fondamentaux pour le Big Data
7/12
Loi conditionnelle
Soit (X , Y ) un couple de v.a. discrètes.
I Loi conditionnelle de Y sachant {X = x} :
Anne Sabourin
c Télécom ParisTech
Fondamentaux pour le Big Data
8/12
marginales, jointes, conditionnelles : exemple
Ω = {1, . . . , 6}, P uniforme sur Ω, signe(a) = 1 si a ≥ 0,
I Loi de Y sachant {X = 1} :
y 0 1 4 9
PY (y |{X = 1}) 1/4 1/4 1/4 1/4
Anne Sabourin
c Télécom ParisTech
Fondamentaux pour le Big Data
9/12
Transformations de variables aléatoire
x 1 2 3 4 5 6
PX (x) 1/6 1/6 1/6 1/6 1/6 1/6 (jeu de dé)
y −1 −1 1 1 1 1
(
1 si X ≥ 3
Probabilités Y = g (X ) =
−1 si X ≤ 2
Variables et vecteurs
aléatoires discrets
Variables aléatoires discrètes : Loi
Vecteurs aléatoires discrets
Conditionnement
Transformations
Probabilités
Variables et vecteurs
aléatoires discrets
Variables aléatoires discrètes : Loi
Loi de la transformée Y = g (X )
Vecteurs aléatoires discrets
Conditionnement
PY ({y }) = P((g ◦ X )−1 ({y })
Transformations
Anne Sabourin
c Télécom ParisTech
Fondamentaux pour le Big Data
11/12
Conclusion
I Bilan :
Probabilités I Loi d’une variable aléatoire : une nouvelle probabilité, définie
directement sur l’espace d’intérêt X .
I Calculs de lois, conditionnement de variables aléatoires :
Variables et vecteurs
découle de ce qui a été dit sur des événements.
aléatoires discrets
Variables aléatoires discrètes : Loi
Vecteurs aléatoires discrets I Prochaine vidéo : Comportements « moyens » : espérance,
Conditionnement
Transformations variance.
Anne Sabourin
c Télécom ParisTech
Fondamentaux pour le Big Data
12/12