1.2 Variables Et Vecteurs Aléatoires Discrets

Plan du cours de probabilités
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 aléatoires discrètes : Loi
Vecteurs aléatoires discrets ...
Conditionnement
Transformations
I Notation : « X ∈ B » = {ω : X (ω) ∈ B)} = X −1 (B).

Anne Sabourin
v.a. discrète : définition, loi.
(Ω, A, P) espace de proba quelconque.
déf : une variable aléatoire discrète X est

Une fonction X : Ω −→ X = {x1 , x2 , . . .} ⊂ R, (X est discret)
Probabilités ω 7−→ X (ω),
Variables et vecteurs telle que X −1 ({x}) ∈ A pour tout x ∈ X .

Variables aléatoires discrètes : Loi la Loi PX d’une v.a. discrète X est
Conditionnement Une probabilité discrète définie sur X par
Transformations
PX (B) = P(X ∈ B} = P(X −1 (B))
PX déterminée par les PX {xi } = P({X = xi }) = P(X −1 ({xi })
Intérêt : on peut « oublier » Ω, travailler sur X directement !
Anne Sabourin
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
aléatoires discrets On écrit X ∼ Bern(p)
Variables aléatoires discrètes : Loi I Variable catégorielle : lancer de dé à k faces : X est le
Conditionnement résultat du lancer.
Transformations
PX {i} = P({X = xi }) = pi
k
X
pi ≥ 0, pi = 1.
i=1
X est dite catégorielle de paramètres (p1 , . . . , pk ).

Anne Sabourin
Représentation de la loi d’un v.a. :
diagramme en bâtons
I Abscisse : valeurs possibles xi ∈ X prises par X .
I hauteur des bâtons : probabilités PX {xi }
I Somme des hauteurs = 1.
Probabilités
Dé faussé Dé équilibré
0.5
0.5
0.4
0.4
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
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))
Variables aléatoires discrètes : Loi Qd
La loi jointe de X est la probabilité sur i=1 Xi définie par
I
Conditionnement
Transformations d
Y
PX : A ⊂ Xi 7→ PX (A) = P{X ∈ A}
i=1
I PX est déterminée par les quantités
PX {(x1 , . . . , xd )} = P{X1 = x1 , X2 = x2 , . . . , Xd = xd }
Anne Sabourin
Lois marginales
I On connait P(X ,Y ) . lois marginales PX et PY ?
[
{X = x} = {X = x} ∩ {Y = yj } (union disjointe)
j∈N
Probabilités
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
Loi conditionnelle
Soit (X , Y ) un couple de v.a. discrètes.
I Loi conditionnelle de Y sachant {X = x} :
PY|X (B|x) = P(Y ∈ B|{X = x}) (B ⊂ Y)

Probabilités P({Y ∈B,X =x})
I probas conditionnelles : P(Y ∈ B|{X = x}) = P({X =x})
Variables et vecteurs P(X ,Y ) ({x} × B)

aléatoires discrets Conséquence : PY |X (B|{X = x}) =
PX {x}
Conditionnement
I Intérêt : trouver PY (B) à partir de PY |X et PX :
Transformations
loi marg. X
PY (B) = P(X ,Y ) ({x} × B)
x∈X
X
= PY |X (B|{X = x})PX {x}.
x∈X
Anne Sabourin
marginales, jointes, conditionnelles : exemple
Ω = {1, . . . , 6}, P uniforme sur Ω, signe(a) = 1 si a ≥ 0,
X (ω) = signe(ω − 3) , Y (ω) = (ω − 3)2 .
exercice : déterminer la loi jointe du couple (X , Y ), les lois

Probabilités marginales et les lois conditionnelles.
X \Y 0 1 4 9
I loi jointe : −1 0 1/6 1/6 0
Variables et vecteurs 1 1/6 1/6 1/6 1/6
I Loi de Y sachant {X = −1} :
Conditionnement
Transformations y 0 1 4 9
PY (y |{X = −1}) 0 1/2 1/2 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
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
Conditionnement
Transformations
Loi de Y ? PY {−1} = P({Y = 1}) = P({X ≤ 2})

X
= PX {xi }
{i:xi ≤2}
= 1/6 + 1/6 = 1/3;

PY {1} = 2/3
Anne Sabourin
Loi d’une transformée : cas général
Soit X : Ω → X ⊂ R, g : X → Y ⊂ R, et Y (ω) = g ◦ X (ω) .
Probabilités
Loi de la transformée Y = g (X )
Conditionnement
PY ({y }) = P((g ◦ X )−1 ({y })
Transformations
= P((X −1 (g −1 ({y })) = PX (g −1 ({y }))

X
= PX {xi }
{i:g (xi )=y }
X −1 (g −1 {y }) = {ω : X (ω) ∈ g −1 {y }} = {ω : g [X (ω)] = y } = (g ◦X )−1 {y }
Anne Sabourin
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 :
découle de ce qui a été dit sur des événements.
Vecteurs aléatoires discrets I Prochaine vidéo : Comportements « moyens » : espérance,
Conditionnement
Transformations variance.
Anne Sabourin

1.2 Variables Et Vecteurs Aléatoires Discrets

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

1.2 Variables Et Vecteurs Aléatoires Discrets

Transféré par

Droits d'auteur :

Formats disponibles

Plan du cours de probabilités

I Notation : « X ∈ B » = {ω : X (ω) ∈ B)} = X −1 (B).

déf : une variable aléatoire discrète X est

Variables et vecteurs telle que X −1 ({x}) ∈ A pour tout x ∈ X .

PX (B) = P(X ∈ B} = P(X −1 (B))

PX déterminée par les PX {xi } = P({X = xi }) = P(X −1 ({xi })

Intérêt : on peut « oublier » Ω, travailler sur X directement !

X est dite catégorielle de paramètres (p1 , . . . , pk ).

I PX est déterminée par les quantités

PY|X (B|x) = P(Y ∈ B|{X = x}) (B ⊂ Y)

Variables et vecteurs P(X ,Y ) ({x} × B)

X (ω) = signe(ω − 3) , Y (ω) = (ω − 3)2 .

exercice : déterminer la loi jointe du couple (X , Y ), les lois

Loi de Y ? PY {−1} = P({Y = 1}) = P({X ≤ 2})

= 1/6 + 1/6 = 1/3;

= P((X −1 (g −1 ({y })) = PX (g −1 ({y }))

X −1 (g −1 {y }) = {ω : X (ω) ∈ g −1 {y }} = {ω : g [X (ω)] = y } = (g ◦X )−1 {y }

Vous aimerez peut-être aussi