Des probabilités à l’estimation bayésienne
Ref. 195002
Suis-je en bonne santé ? Mon médecin de famille a son idée préconçue. Mais il va s’aider des analyses biologiques et des études statistiques.
- Duration: 7 weeks
- Effort: 10 hours
- Pace: ~1h30/week
- Languages: French
What you will learn
At the end of this course, you will be able to:
- vous aurez compris qu’il n’existe pas d’algorithme magique qui permettrait de résoudre les problèmes tels
que ceux évoqués ci-dessous ;
- vous saurez interroger le spécialiste du domaine traité pour élaborer un modèle liant les grandeurs à estimer
aux grandeurs observées ;
- vous saurez développer un algorithme d’estimation permettant de reconstruire les grandeurs à estimer à partir
des grandeurs observées.
Description
Dans la vie de tous les jours, nous sommes confrontés à l’intervention du hasard :
- nous ne mettons pas toujours le même temps entre notre domicile et notre lieu de travail ;
- un gros fumeur développera ou ne développera pas un cancer ;
- la pêche n’est pas toujours bonne.
De tels phénomènes sont dits aléatoires, ou stochastiques. Les quantifier conduit naturellement à utiliser la théorie des probabilités.
Dans l’exemple du tabagisme, imaginons que le médecin n’ait pas confiance dans les déclarations de son patient quant à sa consommation de cigarettes. Il décide de doser le taux de nicotine sanguin par le laboratoire d’analyse médicale. La théorie des probabilités nous propose des outils pour quantifier le lien stochastique entre le nombre de cigarettes par jour et le taux de nicotine.
A partir de ce taux de nicotine, on sera capable d’estimer le nombre de cigarettes quotidiennes. La théorie de l’estimation nous propose plusieurs solutions :
- la plus vraisemblable ;
- la plus probable ;
- la valeur moyenne.
Ces notions qui semblent analogues ont des significations bien différentes en théorie de l’estimation. On distinguera l’estimation classique de l’estimation dite bayésienne.
Format
Un document imprimable est disponible au téléchargement. Il est destiné à assister l’apprenant lors de la consultation des vidéos, ainsi qu’à lui fournir un manuel de référence. Il contient les démonstrations et quelques compléments.
Le module 0 débute cependant par quelques mots sur les matrices définies positives. Puis il présente les impulsions
de Dirac (impulsion « continue ») et de Kronecker (impulsion « discrète ») ; le formalisme employé permettra
d’introduire les probabilités continues et discrètes de manière unifiée.
Suivent 14 modules, à raison de 2 modules par semaine. Chaque module peut correspondre à plusieurs vidéos, dont des vidéos de correction « au tableau » des exercices proposés.
Certains modules, sans évaluation, complètent la culture sur les probabilités, et sont utiles pour la mise en oeuvre
récursive et/ou par méthode de Monte-Carlo de l’estimation bayésienne. Ces mises en oeuvre ne sont pas étudiées
dans cette formation.
Prerequisites
Sciences pour l’ingénieur • Masters et écoles d’ingénieurs
Assessment and certification
La plupart des modules sont conclus par une évaluation.
Une attestation de suivi avec succès sera délivrée aux apprenants qui obtiennent un résultat supérieur à 75% de bonnes réponses.
Course plan
- Préface
- Module 1 : Espace probabilisé
- Module 2 : Variable aléatoire (v.a.)
- Module 3 : Espérance, moyenne, variance
- Module 4 : Modèles de loi
- Module 5 : Couple de v.a. : lois conjointe et marginales
- Module 6 : Couple de v.a. : lois conditionnelles
- Module 7 : Du modèle à erreur à la loi normale multivariée
- Module 8 : Triplet de v.a.
- Module 9 : Probabilités et statistiques
- Module 10 :Simulation stochastique
- Module 11 : Introduction. Concept de vraisemblance
- Module 12 : Point de vue bayésien
- Module 13 : Performances en terme d’erreur moyenne
- Module 14 : Applications. Conclusion
Course team
Organizations
License
License for the course content
Attribution-NonCommercial-ShareAlike
You are free to:
- Share — copy and redistribute the material in any medium or format
- Adapt — remix, transform, and build upon the material
Under the following terms:
- Attribution — You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
- NonCommercial — You may not use the material for commercial purposes.
- ShareAlike — If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
License for the content created by course participants
All rights reserved
"All rights reserved" is a copyright formality indicating that the copyright holder reserves, or holds for its own use, all the rights provided by copyright law.