Vous êtes sur la page 1sur 15

Probabilités ?

Probabilités

Probabilités discrètes
Univers discret I But : Analyser rigoureusement des phénomènes aléatoires.
Probabilités discrètes
Conditionnement I Probabilité d’un évènement : quantification de sa
Indépendance vraisemblance.
I Analyse d’une expérience aléatoire
Ex : Défaut d’un client, nombre de clics sur une page,
volume d’achat d’un produit . . .résultat incertain

Anne Sabourin
c Télécom ParisTech
Fondamentaux pour le Big Data 1/15
Objectifs du cours

I Revoir les principes élémentaires des probabilités, utiles en


statistique et en machine-learning
Probabilités I Vérifier vos connaissances et identifier vos lacunes : guide de
lecture pour travailler
Probabilités discrètes
Univers discret
Probabilités discrètes
Conditionnement
Indépendance

Anne Sabourin
c Télécom ParisTech
Fondamentaux pour le Big Data 2/15
Plan du cours de probabilités

Semaine 3
I Probabilités discrètes
Probabilités I Variables et vecteurs aléatoires discrets
I Espérance, espérance conditionnelle
Probabilités discrètes
Univers discret
Probabilités discrètes Semaine 4
Conditionnement
Indépendance
I Indépendance, variance, covariance
I Variables aléatoires continues
I Vecteurs aléatoires continus

Anne Sabourin
c Télécom ParisTech
Fondamentaux pour le Big Data 3/15
Univers ou Ensemble fondamental Ω :
Ensemble de toutes les issues possibles de l’expérience

Un élément ω ∈ Ω (« réalisation élémentaire ») :


Une issue possible (⇔ un « état de l’univers »)
Probabilités
? Lancer de deux dés. Ω = {couples ω = (i, j) (i, j ≤ 6}).
? Plus abstrait : Ω = { conditions inconnues de l’expérience }.
Probabilités discrètes
Univers discret
Probabilités discrètes
Evènement : (Résumé observable de l’issue de l’expérience)
Conditionnement Une partie (= sous-ensemble) de Ω.
Indépendance
L’évènement A ⊂ Ω est réalisé si l’élément ω ∈ A.

? A =« Le premier joueur perd » = {(i, j) : i < j}


? ∅ = ensemble vide (évènement « impossible »).

A
Anne Sabourin
c Télécom ParisTech
Fondamentaux pour le Big Data 4/15
Opérations sur les ensembles

I Union : A ∪ B = {ω ∈ Ω : ω ∈ A ou ω ∈ B}
I Intersection : A ∩ B = {ω ∈ Ω : ω ∈ A et ω ∈ B}
I Complémentaire : Ac = {ω ∈ Ω : ω ∈A}
/ (non A)
Probabilités I Complémentaire de A dans B : B \ A = B ∩ (Ac ).

Probabilités discrètes
Univers discret
Probabilités discrètes
Conditionnement
Indépendance
  
I A ∩ B ∪ C = A ∩ B ∪ (A ∩ C .
I lois de Morgan :

(A ∪ B)c = Ac ∩ B c ; (A ∩ B)c = Ac ∪ B c

Anne Sabourin
c Télécom ParisTech
Fondamentaux pour le Big Data 5/15
Univers discret
I Ω dénombrable :indexable par une partie de N,

Ω = {ωi : i ∈ I }, I ⊂ N, ωi 6= ωj si i 6= j.

ex : ensemble fini, entiers pairs, N, rationnels, N × N,. . .


Probabilités contre-ex : R (nombres réels).
I P(Ω) : ensemble de toutes
 les sous parties de Ω
Probabilités discrètes ex : Ω = {0, 1}, P(Ω) = ∅, {0}, {1}{0, 1} .
Univers discret
Probabilités discrètes I Si Card(Ω) = n, alors Card(P(Ω)) = 2n .
Conditionnement
Indépendance Ensemble A des évènements considérés pour l’analyse
probabiliste :
I Rappel : A ⊂ P(Ω)
I Convention pour Ω discret (fini ou dénombrable) :

A = P(Ω)

Anne Sabourin
c Télécom ParisTech
Fondamentaux pour le Big Data 6/15
P S
Notations i∈N , i∈N

I Somme dénombrable (ai ≥ 0 pour tout i) :

X n
X
ai = a0 + a1 + · · · = lim ai
n→∞
Probabilités i∈N i=1

Une somme peut être


Probabilités discrètes I égale à +∞ (« infinie »)
Univers discret P 1
Probabilités discrètes
I finie (< ∞) avec des ai tous > 0, ex : i∈N 2i
= 2.
Conditionnement I Union dénombrable : Ai ⊂ Ω pour i ∈ N,
Indépendance
[
Ai = A0 ∪ A1 ∪ · · · = {ω : ∃i ∈ N : ω ∈ Ai } ⊂ Ω
i∈N
S P
I On peut aussi noter i∈I ou i∈I pour I un ensemble
dénombrable.

Anne Sabourin
c Télécom ParisTech
Fondamentaux pour le Big Data 7/15
Probabilité discrète (Ω discret)
Ω un univers dénombrable, A = P(Ω).

Quantifier la « vraisemblance » d’un évènement A ∈ A ?

Probabilité : définition
Probabilités
Une probabilité P sur A est une fonction P : A → [0, 1],
Probabilités discrètes
(définie sur les évènements), vérifiant
Univers discret 1. P(Ω) = 1
Probabilités discrètes
Conditionnement
2. Pour toute suite d’évènements disjoints, (Ai ∩ Aj = ∅),
Indépendance [  X
P Ai = P(Ai )
i∈N i∈N

Card B
I Ex : Ω fini, P : B 7→ P(B) = Card Ω (probabilité uniforme)
I Espace probabilisé : données du triplet (Ω, A, P).

Anne Sabourin
c Télécom ParisTech
Fondamentaux pour le Big Data 8/15
Propriétés d’une probabilité
P(∅) = 0.

car ∅ ∩ ∅ = ∅
? P(∅) = P(∅ ∪ ∅) = P(∅) + P(∅).

Probabilités P(A) + P(Ac ) = 1

Probabilités discrètes ? 1 = P(Ω) = P(A ∪ Ac ) = P(A) + P(Ac )


Univers discret
Probabilités discrètes
Conditionnement Si A ⊂ B, alors P(A) ≤ P(B)
Indépendance

? P(B) = P(A ∩ B) + P(B \ A) = P(A) + P(B \ A) ≥ P(A).

P(A ∪ B) = P(A) + P(B) − P(A ∩ B)

? P(A ∪ B) = P(A) + P(B \ A) = P(A) + [P(B) − P(A ∩ B)].


Anne Sabourin
c Télécom ParisTech
Fondamentaux pour le Big Data 9/15
Caractérisation d’une proba discrète
Que doit on savoir sur P pour la connaître entièrement ?

I Ω = {ωi , i ∈ I ⊂ N}. On se donne des


X
Probabilités pi = P({ωi }) ; tels que pi = 1
i∈N
Probabilités discrètes
Univers discret
Alors on connaît P(A) pour tout A ⊂ Ω :
Probabilités discrètes [ 
Conditionnement P(A) = P {ωi }
Indépendance
i:ωi ∈A
évènements disjoints X X
= P{ωi } = pi
i:ωi ∈A i:ωi ∈A

Une proba P sur Ω (discret), est entièrement


déterminée par les P{ω}, ω ∈ Ω.

Anne Sabourin
c Télécom ParisTech
Fondamentaux pour le Big Data 10/15
Exemple : Pile ou face. temps du 1er succès

Ω = N \ {0}, ωi = i, on se donne pi = 2−i


(nombre de tentatives successives avant le premier pile).

Probabilités P
I On a i≥1 pi = 1.
Probabilités discrètes I On peut calculer P(A), pour tout évént A, grâce aux pi ,
Univers discret
Probabilités discrètes ex :
Conditionnement
Indépendance
I A : évènement « premier ’pile’ avant le 3ème coup inclus ».

P(A) = P{1, 2, 3} = p1 + p2 + p3 = 7/8

I B : « Pile seulement après le 4ème coup »

P(B) = P(Ac ) = 1/8.

Anne Sabourin
c Télécom ParisTech
Fondamentaux pour le Big Data 11/15
Conditionnement

I Exemple : diagnostic (test) médical.


I Ω = {(sain,positif), (sain, négatif), (malade, positif),
malade, négatif)} ;
Probabilités
I P donnée par le tableau.
Probabilités discrètes état réel
malade sain
Univers discret test
Probabilités discrètes
positif 8/100 2/100
Conditionnement
Indépendance négatif 1/100 89/100
(Répartition des cas dans la population testée)

I Probabilité d’être malade sachant que testé positif ?

Anne Sabourin
c Télécom ParisTech
Fondamentaux pour le Big Data 12/15
Probabilité conditionnelle
B ⊂ Ω, P(B) 6= 0, fixé.
I Nouvelle probabilité « sachant B » : « P ( · | B) »
I Décrit la vraisemblance de A ∩ B , sachant B.
I P (B | B) = 1.

Probabilités déf : probabilité conditionnelle sachant B


P(A ∩ B)
Probabilités discrètes P (A | B) = (A ⊂ Ω)
Univers discret
P(B)
Probabilités discrètes
Conditionnement
Indépendance

I ex : test médical. Vérifiez : P( malade | positif ) = 8/10.

Anne Sabourin
c Télécom ParisTech
Fondamentaux pour le Big Data 13/15
Évènements indépendants
idée : B ne ‘dit’ rien sur A : P (A | B) = P(A)

déf : A et B sont indépendants si


P(A ∩ B) = P(A)P(B)
Probabilités P(A∩B)
rem : alors, P (A | B) = P(B) = P(A).
Probabilités discrètes
Univers discret
déf : A1 , . . . , An sont indépendants si
Probabilités discrètes
Conditionnement pour tout sous ensemble {i1 , . . . , ik } ⊂ {1, . . . , n}, on a
Indépendance

P(Ai1 ∩ . . . ∩ Aik ) = P(Ai1 ) . . . P(Aik )

contre-ex : Ω = {1, . . . , 6} (dé), proba uniforme : pi = 1/6,


A = {1, 2, 3}, B = {2, 4, 6}, C = {1, 2, 5, 6}.
On a P(A ∩ B ∩ C ) = P(A)P(B)P(C ), Mais :
P(A ∩ B) 6= P(A)P(B), donc A, B, C pas indépendants.
Anne Sabourin
c Télécom ParisTech
Fondamentaux pour le Big Data 14/15
Conclusion

Probabilités I Nous avons vu : le vocabulaire de base des probabilités


discrètes,
Probabilités discrètes I Généralisable au cas continu (Semaine prochaine)
Univers discret
Probabilités discrètes
Conditionnement
I Prochaine séance : Variables aléatoires discrètes.
Indépendance

Anne Sabourin
c Télécom ParisTech
Fondamentaux pour le Big Data 15/15