Académique Documents
Professionnel Documents
Culture Documents
Semaine 3
I Probabilités discrètes
Probabilités I Variables et vecteurs aléatoires discrets
I Espérance, espérance conditionnelle
Vecteurs aléatoires
continus
Cadre multivarié, densité jointe, densités Semaine 4
marginales
Conditionnement : loi et espérance
I Indépendance, variance, covariance
conditionnelle
Indépendance
I Variables aléatoires continues
Vecteurs Gaussiens I Vecteurs aléatoires continus
Anne Sabourin
Fondamentaux pour le Big Data c Télécom ParisTech 1/14
Cadre continu multivarié
I X : Ω → Rd une fonction
I (Ω, A, P) espace probabilisé.
I Ensembles d’intérêt :
Probabilités
{X ∈ R} où R = [a1 , b1 ] × · · · × [ad , bd ] ("rectangle")
Vecteurs aléatoires
continus
Cadre multivarié, densité jointe, densités déf : X est un vecteur aléatoire (tout court) si
marginales
Conditionnement : loi et espérance
conditionnelle {X ∈ R} est un événement (i.e.,{X ∈ R} ∈ A),
Indépendance
Vecteurs Gaussiens pour tout R = [a1 , b1 ] × . . . × [ad , bd ], ai , bi ∈ R.
Anne Sabourin
Fondamentaux pour le Big Data c Télécom ParisTech 2/14
Vecteur aléatoire continu
déf : Un vecteur aléatoire X = (X1 , . . . , Xd ) est continu si
∃ f : Rd → R+ , Rd f (x1 , . . . , xd ) dx1 · · · dxd = 1 (densité),
R
Vecteurs aléatoires
continus
Cadre multivarié, densité jointe, densités
marginales
Conditionnement : loi et espérance
conditionnelle
Indépendance
Vecteurs Gaussiens
Anne Sabourin
Fondamentaux pour le Big Data c Télécom ParisTech 3/14
Densités marginales (couple (X , Y ) continu)
P(X ∈ [a, b]) = P(X ∈ [a, b], Y ∈ R)
Z Z
= f(X,Y) (x, y) dy dx
x∈[a,b] y∈R
| {z }
Probabilités fonction de x
Vecteurs aléatoires
continus
Cadre multivarié, densité jointe, densités
marginales
Conditionnement : loi et espérance
conditionnelle
Indépendance
Vecteurs Gaussiens
Z Z
fX (x) = f(X ,Y ) (x, y ) dy ; fY (y ) = f(X ,Y ) (x, y ) dx .
y ∈R x∈R
Anne Sabourin
Fondamentaux pour le Big Data c Télécom ParisTech 4/14
Densité conditionnelle
Soit (X , Y ) un couple continu, de densité jointe f(X ,Y ) .
I Si on observe {X = x}, que sait-on sur Y ?
I Problème : P({X = x}) = 0 : proba conditionnelle
« sachant {X = x} » n’existe pas.
Probabilités I Mais si fX (x) 6= 0 on peut définir :
Densité conditionnelle
Vecteurs aléatoires
continus Soit x tel que fX (x) 6= 0. La fonction :
Cadre multivarié, densité jointe, densités
marginales f(X ,Y ) (x, y )
Conditionnement : loi et espérance y 7→ fY |X (y |x) =
conditionnelle fX (x)
Indépendance
Vecteurs Gaussiens est appelée « densité conditionnelle de Y sachant {X = x} ».
Remarque importante
La fonction y 7→ fY |X (y |x) est une densité de probabilité sur R.
Anne Sabourin
Fondamentaux pour le Big Data c Télécom ParisTech 5/14
Loi conditionnelle
déf : La loi conditionnelle de Y sachant {X = x} est
La loi sur R dont la densité est fY |X ( · | x).
Z
PY |X ([a, b]|x) = fY |X ( y | x) dy
Probabilités y ∈[a,b]
Vecteurs aléatoires
continus
Cadre multivarié, densité jointe, densités
marginales
Conditionnement : loi et espérance
conditionnelle
Indépendance
Vecteurs Gaussiens
Anne Sabourin
Fondamentaux pour le Big Data c Télécom ParisTech 6/14
Loi conditionnelle : preuve de
l’interprétation géométrique
Probabilités
Anne Sabourin
Fondamentaux pour le Big Data c Télécom ParisTech 8/14
Espérance conditionnelle
Anne Sabourin
Fondamentaux pour le Big Data c Télécom ParisTech 9/14
Espérance et espérance conditionnelle
déf
On définit E(Y |X ) = g (X ), où g (x) = E(Y |X = x).
Anne Sabourin
Fondamentaux pour le Big Data c Télécom ParisTech 10/14
Indépendance
Soit X = (X1 , . . . , Xd ) un vecteur aléatoire
Σ = AA>
pourquoi ?
Vecteurs aléatoires
continus I Densité en x = (x1 , . . . , xd ) (Si Σ inversible)
Cadre multivarié, densité jointe, densités
marginales 1 −1 > −1
Conditionnement : loi et espérance fµ,Σ (x) = p e 2 (x−µ) Σ (x−µ)
conditionnelle d
(2π) | det Σ|
Indépendance
Vecteurs Gaussiens I Si Σ est diagonale,
densité jointe = produit de densités uni-variées
donc variables indépendantes
Attention : vérifier que le vecteur X est Gaussien, pas seulement
ses composantes Xi !
Anne Sabourin
Fondamentaux pour le Big Data c Télécom ParisTech 13/14
Densité Gaussienne : Exemple
θ = π/6, µ = 0, Σ = PDP > , où
− sin(θ)
P = cos(θ)
sin(θ cos(θ) (vecteurs propres) D = ( 20 01 ) (valeurs propres)
2
Vecteurs aléatoires
continus
1
Cadre multivarié, densité jointe, densités
marginales
0
Conditionnement : loi et espérance
conditionnelle
Indépendance
−1
Vecteurs Gaussiens
−2
−2 −1 0 1 2
Anne Sabourin
Fondamentaux pour le Big Data c Télécom ParisTech 14/14