TD4

Les probabilités élémentaires et conditionnelles pour la

sureté de fonctionnement
LE RÉSEAU BAYÉSIEN
L’IDÉE DE BASE D’UNE DÉMARCHE
BAYÉSIENNE

 En partait de l’hypothèse que chacun avait à sa

disposition son propre espace de probabilité. C’est ce qui
permet de se construire un a priori. Et au fur et à mesure
que le À
temps passe, on apprend,
Posteriori=à Priori *etvraisemblance
on peut dériver une loi
a posteriori.
= données + jugement
 Par exemple on part d’un a priori comme quoi un
enfant sur deux qui nait est un garçon. On peut ensuite
récupérer des données, et affiner la connaissance pour
affirmer ou infirmer l’information.

3
LES PRINCIPES DE LA DÉMARCHE BAYÉSIENNE

C’est une généralisation de l’approche classique, au lieu de

se baser sur des valeurs elle se base sur une distribution
probabiliste
 La distribution donnée en modélisation est une distribution
à priori [p(M), p(S), p(S|M]
 L'intégration de l'information apportée par les données se
fait par le calcul de la distribution dite à posteriori et qui
n'est autre que la distribution conditionnelle (calculée par la
formule du théorème de Bayes) aux valeurs prises par les
données [p(M|S)].

4
GÉNÉRALITÉS SUR L’APPROCHE
BAYÉSIENNE
Cette approche a besoin des données suivantes:
 Loi de probabilité à priori: (avis d’experts, historique)

 Loi conditionnelle des observations recueillies ou fonction

de vraisemblance (méthode du maximum de
vraisemblance, retour d’experience).
 Loi de probabilité à posteriori (quand on a suffisamment
de données on construit la loi de probabilité à posteriori)

5
LA DÉMARCHE BAYÈSIENNE
Les étapes de réalisation d’une démarche Bayèsienne
 Choix d’un modèle relatif aux données: distribution
conditionnelle. La distribution conditionnelle appartient à
une famille de loi de probabilité (P).
 Détermination d’une loi de distribution à priori du
paramètre de la loi conditionnelle. pour intégrer des données
subjectives . Elle est établie sur des connaissances qu’on a
sur le materiel etudié: essai antérieur sur materiel similaire,
avis d’experts, retour d’experience, enquête… (D|P)

6
 Obtention de la distribution à postériori par
application du théorème de Bayes qui permet de
combiner l’information subjective et l’information
objective contenue dans l’echantillon L(P|D)
 Estimation du paramètre de fiabilité étudiée (taux de
défaillance..) déduite de la distribution à posteriori
(l’estimateur) avec un intervalle de crédibilité.

7
PROBABILITÉ À POSTÉRIORI
 La densité de probabilité à posteriori sur ʎ conditionnée
par les observations xi:

Fonction de vraisemblance
Densité à priori
(échantillon - observations)

8
DÉFINITION ET UTILITÉ
 Les réseaux bayésiens (RB) sont un couplage entre la
théorie des graphes et la théorie des probabilités
 ● Un RB permet de représenter les connaissances
probabilistes d’une application donnée : par exemple, les
connaissances d’u expert sur des liens de causalité entre
défaillances et causes
 ● Les RB sont utiles pour modéliser des connaissances
d’un système expert ou d’un système de support à la
décision, dans une situation pour laquelle :
 lacausalité joue un rôle important (des événements en causent
d’autres)
 mais notre compréhension de la causalité des événements est 9
incomplète (on doit recourir aux probabilités)
DÉFINITION ET UTILITÉ: EXEMPLE
APPLICATION
 Déterminer la cause d’une défaillance
 On peut avoir une défaillance mais montrer seulement
un sous-ensemble des causes possibles

Coupure
électricité
Rupture de
l’axe

Arrêt Moteur

10
DÉFINITION ET UTILITÉ: LES
APPLICATIONS POSSIBLES
 Diagnostique : P(Causes | Symptômes)
 Prédiction : P(Symptomes | Causes)

 Classification : max P(Classe |Données)

classe

 Prise de décision avec un diagramme d’influence

(réseau bayésien + fonction d’utilité)

Causes

C1 C2

11
Symptômes
DES APPLICATIONS CONNUES EN SDF

12
DES APPLICATIONS CONNUES EN SDF
Le projet Système d'Alerte et de Réponse Graduée OffShore (SARGOS) répond à ce
nouveau besoin de protection d'infrastructures civiles vulnérables aux actes de
piraterie ou de terrorisme menés à partir de la mer. En effet, ce projet vise à
concevoir et développer un système global prenant en compte toute la chaîne de
traitement depuis la détection d'une menace potentielle jusqu'à la mise en œuvre de
la réaction, en s'intégrant dans les modes de fonctionnement de l'infrastructure et en
prenant en compte les contraintes réglementaires et juridiques.

13
DES APPLICATIONS CONNUES EN SDF
Grâce à ce réseau,

une vision très claire sur la tactique des pirates, la nature de l'armement et surtout le
nombre des personnes impliquées est désormais possible.

14
DES APPLICATIONS CONNUES EN SDF
Grâce à ce réseau,

une vision très claire sur la tactique des pirates, la nature de l'armement et surtout le
nombre des personnes impliquées est désormais possible.

15
STRUCTURE D’UN RB
Un RB est un graphe
• orienté
• acyclique
• dont les nœuds sont des variables aléatoires
• les arcs représentent
• des dépendances (par exemple des causalités) probabilistes entre les
variables et
• des distributions de probabilités conditionnelles (locales) pour chaque
variable étant donnés ses parents

Coupure
électricité
Rupture de
l’axe

16

Arrêt Moteur
STRUCTURE D’UN RB
Considérons la situation suivante :
J’ai une alarme sécurité à la maison, cette alarme est connectée au réseau
téléphonique fixe et au réseau mobile pour m’envoyer un message d’alarme sur mon
tel au travail:
• Le réseau téléphonique fixe est assujettie aux perturbations et des fois m’envoie
des SMS d’alarmes sans qu’il n’y ait une alarme
• Par contre le réseau du téléphone mobile n’envoie pas toujours les messages
d’alarme.
• Parfois mon alarme se met à sonner lorsqu’il y a de légers séismes
• Comment conclure qu’il y a ou non un cambriolage chez moi?

● On peut représenter ce problème par un RB

17
STRUCTURE D’UN RB
Variables aléatoires :
• Cambriolage
• Séisme
Cambriolage
• Alarme
• SMS tel Fixe
Séisme
• SMS Mobile

Alarme

SMS tel fixe

SMS Mobile

18
STRUCTURE D’UN RB P(C)
0,002 P(S)
La topologie du RB modélise les Cambriolage
relations de causalité 0,001
● Un arc d’un nœud X vers un nœud Y
signifie que la variable X influence Séisme
la variable Y CS P(A|CS)
un cambriolage peut déclencher FF 0,001
l’alarme un séisme aussi
FT 0,29 Alarme
l’alarme peut par fixe ou mobile
● Une table de probabilités TF 0,95
conditionnelles (TPC) donne la TT 0,96
probabilité pour chaque valeur du
nœud étant donnés les combinaisons
des valeurs des parents du nœud
SMS Mobile
(c’est l’équivalent d’une distribution)

A P(T|A) A P(M|A)
T 0,98 SMS tel fixe T 0,96
19

F 0,05 F 0,001
STRUCTURE D’UN RB P(C)
0,002 P(S)
● S’il y a un arc d’un nœud Y vers Cambriolage
un nœud X, cela signifie que la 0,001
variable Y influence la variable X
• Y est appelé le parent de X Séisme
• Parents(X) est l’ensemble des CS P(A|CS)
parents de X FF 0,001
● Si X n’a pas de parents, sa FT 0,29 Alarme
distribution de probabilités est
dite inconditionnelle ou a priori TF 0,95
● Si X a des parents, sa distribution TT 0,96
de probabilités est dite
conditionnelle
SMS Mobile

A P(T|A) A P(M|A)
T 0,98 SMS tel fixe T 0,96
20

F 0,05 F 0,001
STRUCTURE D’UN RB P(C)
F(c) P(S)
● Les lois à prioi peuvent etre des Cambriolage
variables continues : F(s)
les probabilités conditionnelles
sont spécifiées par des fonctions Séisme
de densité de probabilités (PDF) CS P(A|CS)
exemples : <1<3 0,001
• distance entre voleur et le capteur
<1>3 0,29 Alarme
de mouvement
• force du séisme sur l’échelle de >1<3 0,95
Richter >1>3 0,96

SMS Mobile

A P(T|A) A P(M|A)
T 0,98 SMS tel fixe T 0,96
21

F 0,05 F 0,001
LA SÉMANTIQUE DES RELATIONS
 Par définition, la probabilité conjointe de X1 et X2 est
donnée par la distribution P(X1,X2) ou P(X1∩X2) , pour
une valeur donnée de X1 et X2
 La distribution conditionnelle de X1 sachant X2 est
notée P(X1 | X2 )
 P(X1,X2) = P(X1 | X2) P(X2)
 Soit X = {X1, …, Xn}, l’ensemble des variables d’un
RB :
 P(X1, …, Xn) =Πi = 1 P(Xi | Parents(Xi))
 En d’autres mots, la distribution conjointe des variables
d’un RB est définie comme étant le produit des
22
distributions conditionnelles (locales)
LA SÉMANTIQUE DES RELATIONS

23
LA SÉMANTIQUE DES RELATIONS P(C)
P(S)
0,002
 Quelle est la probabilité pour le 0,001
meilleur des cas: Avoir un SMS Cambriolage

sur les 2 réseaux quand il y’à

une vraie alarme et que ce soit CS P(A|CS)
Séisme

un cambriolage et non pas un FF 0,001

séisme FT 0,29 Alarme

TF 0,95
TT 0,96
 P(T,M,A,C,!S)
SMS Mobile

SMS tel fixe

A P(M|A)
A P(T|A)
24
T 0,96
T 0,98
F 0,001
F 0,05
LA SÉMANTIQUE DES RELATIONS P(C)
P(S)
0,002
0,001

 P(T,M,A,C,!S)= P(T|A) P(M|A) Cambriolage

P(A|C,!S) P(C) P(!S)

Séisme
CS P(A|CS)
FF 0,001
 =0,98* 0,96* 0,95*0,002*0,999 FT 0,29 Alarme

=0,00178 TF 0,95
TT 0,96
 C’est note aussi: SMS Mobile

 P(T=vrai,M=vrai,A=vrai,C=vrai
,S=faux) SMS tel fixe
A P(M|A)
A P(T|A)
25
T 0,96
T 0,98
F 0,001
F 0,05
EXEMPLE

 Riad et Amine ont tout 2 acheté une voiture chez

le même concessionnaire en même temps
 Ce matin la, Riad a trouve sa batterie a sèche, il se
peut que la batterie présentait un défaut ou il a
oublie allumé ses feux
 Son voisin Amine a aussi sa batterie à sèche, et il
est très maniaque et n’oublirait jamais ses feux
allumés, Riad conclu que c’est un défaut de chez
le concessionnaire, à t il raison?
26
EXEMPLE

o A : Riadh a oublie les feux allumés.

o P : la Batterie présente un défaut.
o J : la batterie de Riadh est a sèche.
A P
o W : La batterie de Amine est a sèche.

J W

Evénement Probabilit Commentaire

é
A=V 0,4 M. Riadh oublie assez ses feux allumés.
A=F 0,6
P=V 0,6 Les voitures étaient au showroom pour les essais 27
P=F 0,4
EXEMPLE

o L’arbre pondérée équivalente:

  A=V A=F
  P=V P=F P=V P=F
J=V 1 1 1 0
J=F 0 0 0 1

P=V P=F P=V P=F

W=V 1 0
W=F 0 1
W=V W=F 28
LA DÉDUCTION DU RÉSEAU
BAYÉSIEN D’UNE TABLE DE
STATISTIQUE
EXEMPLE
Pirate :nous souhaitons étudier le phénomène
d’attaque des navires par des pirate avec ou
non prise d’otage sur différents types de
navires et soit dans des eaux territoriaux ou
dans l’internationnal :TypeNav eaux PRISE OTAGE
chalutier nationnale non
petrolier internationnale non
chalutier nationnale oui
cargo internationnale beaucoup
Ferrys internationnale non
chalutier internationnale beaucoup
cargo internationnale beaucoup
Ferrys internationnale non
petrolier internationnale non
cargo internationnale oui
cargo internationnale oui
Ferrys nationnale non
30
 PRISE
TypeNav eaux OTAGE
chalutier nationnale non
petrolier internationnale non
EXEMPLE chalutier nationnale oui
cargo internationnale beaucoup
Ferrys internationnale non
chalutier internationnale beaucoup
cargo internationnale beaucoup
Ferrys internationnale non
petrolier internationnale non
cargo internationnale oui
cargo internationnale oui
Ferrys nationnale non
TypeNav

eaux

Prise otage
31
 PRISE
TypeNav eaux OTAGE

EXEMPLE chalutier
petrolier
nationnale
internationnale
non
non
TN= chalutier nationnale oui
cargo internationnale beaucoup
chalutier 3/12 =0,25 Ferrys internationnale non
chalutier internationnale beaucoup
pétrolier 2/12 =0,16
cargo internationnale beaucoup
cargo 4/12=0,33 Ferrys internationnale non
petrolier internationnale non
Ferrys 3/12= 0,25 cargo internationnale oui
cargo internationnale oui
Ferrys nationnale non
TypeNav

eaux

Prise otage
32
 PRISE
TypeNav eaux OTAGE

EXEMPLE chalutier
petrolier
nationale
internationnale
non
non
TN= chalutier nationnale oui
cargo internationnale beaucoup
chalutier 3/12 =0,25 Ferrys internationnale non
chalutier internationnale beaucoup
pétrolier 2/12 =0,16
cargo internationnale beaucoup
cargo 4/12=0,33 Ferrys internationnale non
petrolier internationnale non
Ferrys 3/12= 0,25 cargo internationnale oui
cargo internationnale oui
Ferrys nationnale non
TypeNav

EAU=
eaux Nationale 3/12 =0,25
Inter-natio 9/12 =0,75

Prise otage
33
MODÈLE DE DONNÉES
FONCTION DE RÉPARTITION D’UNE
VARIABLE ALÉATOIRE CONTINUE
 La fonction de répartition F (x) d’une variable aléatoire X
définie sur [-∞,+∞] correspond à la probabilité d’obtenir un
résultat inférieur ou égal à une valeur x donnée :
F (x) = P (X <x) (Certains auteurs utilisent P (X < x))
 La probabilité d’obtenir un résultat compris entre a et b (b >
a) est donnée par :
P (a <X < b) = F (b) – F (a)

35