Upload
hamon-oger
View
103
Download
0
Embed Size (px)
Citation preview
1
Approche probabiliste
Fusion de données :Vision probabiliste de la fusion
« Ce que les hommes veulent en fait, ce n’est pas la connaissance, c’est la certitude. »
Bertrand Russel
2
2
Approche probabiliste
Théorie des probabilitésThéorie des probabilités • Approche fréquentiste une probabilité = la limite d'une fréquence d'occurrence d'événements•Approche subjective (ou confiance) une probabilité reflète simplement un état de connaissance et le lien avec une fréquence réelle d'occurrence n'existe que dans certains cas.
Théories non probabilistesThéories non probabilistes• théorie des possibilités (cadre de la logique floue) • théorie de l'évidence proposée par Shafer (1976).
Deux écoles de pensée : 1- les probabilistes: les résultats et mécanismes auxquels conduisent ces approches toujours atteints par une méthode strictement probabiliste (à condition qu'elle soit suffisamment adaptée) 2- les adeptes de la théorie de l'évidence ou des possibilités volonté de chercher une modélisation plus fidèle sémantiquement vis-à-vis de l'information disponible.
Rappels
3
3
Approche probabiliste
Modèle probabiliste
le plus ancien et le plus utilisé
Deux approches différentes :– approche objectiviste (fréquentiste) : distribution de
probabilité d'une variable aléatoire– approche subjective : répartition de probabilités image de
l'état des connaissances
Introduction
4
4
Approche probabiliste
étude statistique du phénomène
évaluation de la fréquence d'occurrence d'un événement
exemple : jet de dé
le ratio de fréquence d'apparition d'une face est de 1/6
Approche fréquentiste
5
5
Approche probabiliste
codage de l'état des connaissances
confiance dans l'apparition d'un événement
exemple :
Paul apprend à rouler à vélo, il a beaucoup de "chances" de
tomber.
Approche subjective
6
6
Approche probabiliste
Le cadre classique
Ensemble fini ={1,…,c}
A événement, proposition, hypothèse, … P : 2 [0,1] est une mesure de probabilité si :
– P( A,B , AB= P(AB)=P(A)+P(B)
[axiome d’additivité] Conséquences :
– P()=0 A,B , P(AB)=P(A)+P(B)-P(AB) p : [0,1] ,
A
pAPA
)()( ,
Théories des probabilités
7
7
Approche probabiliste
Qu’est-ce que P(A) ?1. Interprétation fréquentiste : limite vers laquelle tend la fréquence
relative de l’événement A au cours d’une suite d’épreuves indépendantes (phénomènes aléatoires)
suppose la répétabilité des épreuves
2. Interprétation classique : issue de la théorie des jeux
3. Interprétation subjectiviste : P(A)=degré de croyance d’un agent rationnel en l’occurrence de l’événement A.
[Axiomes de Cox (1946)]
Théories des probabilités
possiblescasNbre
favorablescasNbreAP )(
essaisdtotalNbre
observéscasNbreAP
')(
8
8
Approche probabiliste
Représentation de l’ignorance
Principe de raison insuffisante (PRI) : en l’absence d’information, prendre la loi de probabilité uniforme p()=cste.
Exemple 1 : course entre 3 chevaux ={a, b, c}. – Pour le néophyte
p(a)=p(b)=p(c)=1/3– Pour le connaisseur sachant que les 3 chevaux sont de
même valeur :p(a)=p(b)=p(c)=1/3
Deux états de connaissance très différents sont représentés exactement de la même façon...
Théories des probabilités
9
9
Approche probabiliste
Modélisation de la précisionPrécision : distribution de probabilité sur l'espace de définition continu
d
p(x/d)
x
X
Probabilité que X [a,b], si la
mesure est d.
Distribution Gaussienne :
moyenne d, variance 2
b
adxdxpdbaP )/()/],([
Modélisation
10
10
Approche probabiliste
Incertitude : distribution de probabilités sur : P(H1), P(H2), P(H3),
P(H4)
Propriétés : A 2 , 0 P(A) 1
– P() =1 A, B 2, P(A B) = P(A) + P(B) si A B= A, B 2, P(A) = P(A B) + P(A B)
Modélisation de la confiance
Modélisation
11
11
Approche probabiliste
Modélisation de la méconnaissance (ignorance)
Modélisation implicite : répartition de la probabilité sur les différentes hypothèses possibles :
A = H1 H2 ; P(A) = 0.6
P(H1) = 0.3 et P(H2) = 0.3
Exemple : jet de pièce
P(pile) = P(face) = 0.5
Modélisation
)/( dxp
x
12
12
Approche probabiliste
Modélisation de la méconnaissance (ignorance)
Principe d’indifférence ou de « raison insuffisante »– Ignorance = modélisée par une distribution de probabilité uniforme
Principe de maximum d’entropie
Modélisation
13
13
Approche probabiliste
Méconnaissance pour probabilités subjectives
Confusion entre doute et méconnaissance
Exemple :
Les fantômes existent-ils ?
P(fantôme existe) = P(fantôme n'existe pas) = 0.5
Modélisation
14
14
Approche probabiliste
modèle de conversion :– statistique : apprentissage supervisé– subjective : modélisation d'une connaissance experte
distribution de vraisemblance :
Hi , vd (Hi ) = p (d /Hi)
Hi
p(d/Hi)
x
Hi-1 Hi
p(d/Hi)
x
Conversion numérique-symbolique
d
15
15
Approche probabiliste
Fusion bayesienne
Basée sur l'utilisation du théorème de Bayes
)(
)()/()/(
Ap
BpBApABp
Fusion
16
16
Approche probabiliste
Le théorème du révérend Thomas Bayes
Théorème de Bayes: conséquence immédiate de la loi de composition des probabilités (qui est nécessairement un des axiomes fondamentaux de toute théorie des probabilités).
Si A et B deux événements, loi de composition des probabilités indique: probabilité P(AB) d'observer à la fois A et B est simplement donnée par: P(AB) = P(A) P(B|A) = P(B) P(A|B)
où P(A|B) se lit "probabilité d'observer A sachant que B s'est réalisé". Cela implique immédiatement:
P(B|A) = P(B) P(A|B)/P(A) Théorème de Bayes
Rq: Ce théorème se généralise au cas de plusieurs événements A, B, C, D, etc.
A priori
17
17
Approche probabiliste
Le théorème du révérend Thomas Bayes
Propriétés
• Approche bayesienne compare des hypothèses aux données réelles;
• Approche classique compare les données réelles à des données hypothétiques.
• Inférence bayesienne dépend des données examinées et des données et des connaissances (ou croyances...) antérieures;
• Inférence classique ne dépend que des seules données examinées.
)(
)()()(
HP
EPEHPHEP
18
18
Approche probabiliste
Le théorème du révérend Thomas Bayes
Propriétés
Soit (Bi),i=1...N, une partition de l’espace et A un événement. Supposons que l’on connaît les probabilités P(Bi) et les probabilités conditionnelles P(A|Bi) et que l’on s’intéresse à la probabilité conditionnelle d’un événement Bj sachant que A s’est réalisé, i.e. P(Bj|A). On trouve: P(Bj|A) = P(Bj A)/P(A) = P(A|Bj)·P(Bj)/P(A)
En exprimant P(A) à l’aide des probabilités conditionnelles P(A|Bi) en utilisant la loi de probabilité totale, on obtient la formule de Bayes:
P(Bj|A) = P(A|Bj)·P(Bj)/ P(A|Bi)·P(Bi)
19
19
Approche probabiliste
Le théorème du révérend Thomas Bayes
ExempleDans un système de communication numérique, on transmet des « 0 » et des « 1 » via un canal de transmission bruité tel que: Si un « 0 » est émis , on reçoit un « 0 » avec une probabilité 0.75; Si un « 1 » est émis, un « 1 » est reçu avec une probabilité 0.9. Supposons qu’un « 0 » est émis avec une probabilité 0.4.
Quelle est la probabilité que, quand un « 0 » est reçu, un « 0 » a été émis? P(B0|A0) =?
Soit B0 l’événement « un 0 a été émis", B1 l’événement « un 1 a été émis", A0 l’événement « un 0 a été reçu" et A1 l’événement « un 1 a été reçu". Les probabilités suivantes sont connues:
• P(B0) = 0.4• P(B1) = 0.6• P(A0|B0) = 0.75
• P(A1|B0) = 0.25• P(A0|B1) = 0.1• P(A1|B1) = 0.9
20
20
Approche probabiliste
Le théorème du révérend Thomas Bayes
Exemple (suite)
• P(A1|B0) = 0.25• P(A0|B1) = 0.1• P(A1|B1) = 0.9
• P(B0) = 0.4• P(B1) = 0.6• P(A0|B0) = 0.75
Quelle est la probabilité que, quand un « 0 » est reçu, un « 0 » a été émis? P(B0|A0) =?
En appliquant la formule de Bayes à A0 et la partition (B0,B1) on obtient:
P(B0|A0) = P(A0|B0)·P(B0)/ [P(A0|B0)·P(B0) + P(A0|B1)·P(B1)] = 0.75·0.4/[0.75·0.4 + 0.1·0.6] = 0.833=5/6.
21
21
Approche probabiliste
Fusion : modèle - mesure
Information disponible :
– distribution de probabilité a priori P(Hi)
– distribution de vraisemblance P(d/Hi)=vd(Hi)
jHjjd
iidi HPHv
HPHvdHP
)()(
)()()/(
probabilité a posteriori
yd
d
ypyv
xpxvdxp
)()(
)()()/(
Fusion
Bayes
22
22
Approche probabiliste
Fusion : mesure - mesure
Information disponible :– distribution de vraisemblance source 1 : p(d1/Hi)=vd1(Hi)
– distribution de vraisemblance source 2 : p(d2/Hi)=vd2(Hi)
jHjdjd
ididid HvHv
HvHvHv
)()(
)().()(
21
212,1
Vraisemblance
ydd
ddd yvyv
xvxvxv
)()(
)().()(
21
212,1
Fusion
23
23
Approche probabiliste
Modélisation du conflit
Notion de conflit n'existe pas
Combinaison concordante normalisée
Conflit total : la mesure de vraisemblance n'est plus possible
0)()( 21 jH
jdjd HvHv0)()( 21 y
dd yvyv
Fusion
jHjdjd
ididid HvHv
HvHvHv
)()(
)().()(
21
212,1
Problème!
24
24
Approche probabiliste
Doute et conflit
1 1
1 2 12 1
12 22 1
2 2
( ) 0,5
( ) 0,5 ( ) 0,5
( ) 0,5( ) 0,5
( ) 0,5
v H
v H v H
v Hv H
v H
Fusion
Doute donc répartitionéquiprobable
Et donc je n’en sais pas plus!
Désaccord(conflit)
Pas plus l’uneque l’autre!
?
(H1)=0,1
(H2)=0,9
(H1)=0,9
(H2)=0,1
(H1)=0,5
(H2)=0,5
25
25
Approche probabiliste
Décision avec des probabilités
Maximum de probabilité a posteriori (MAP)
Maximum de vraisemblance (MV)
Décision
j
i
Hjjd
iidi
Hretenue HPHv
HPHvdHPArgH
)()(
)()()/(max
j
i
Hjdjd
ididid
Hretenue HvHv
HvHvHvArgH
)()(
)().()(max
21
212,1
26
26
Approche probabiliste
Point de départ ensemble de définition ={F1, F2, F3, F4, F5, F6}
probabilités a priori P(F1)= P(F2)= P(F3)= P(F4)= P(F5)= P(F6) = 1/6
Capteur 1 : indique le nombre de point au milieu Capteur 2 : indique le nombre de points sur un coté
Exemple : Jet de dé
27
27
Approche probabiliste
Capteurs
0 point : F2 , F4 , F6
1 point : F1 , F3 , F5
0 point : F1
1 point : F2, F3
2 points : F4, F5 , F6
3 points : F6
Exemple : Jet de dé
D’après M. Rombaut (LIS – UJF, Grenoble)
28
28
Approche probabiliste
Fusion : modèle - mesure
Information disponible
– distribution de probabilité a priori P(Hi)
– distribution de vraisemblance P(d/Hi)=vd(Hi)
jHjjd
iidi HPHv
HPHvdHP
)()(
)()()/(
probabilité a posteriori
Exemple : Jet de dé
29
29
Approche probabiliste
Probabilitésa priori
Probabilités conditionnelles
0 point 1 point
F1 p(0point/F1) = 0.1 p(1point/F1) = 0.9
F2 p(0point/F2) = 0.8 p(1point/F2) = 0.2
F3 p(0point/F3) = 0.1 p(1point/F3) = 0.9
F4 p(0point/F4) = 0.7 p(1point/F4) = 0.3
F5 p(0point/F5) = 0.1 p(1point/F5) = 0.9
F6 p(0point/F6) = 0.8 p(1point/F6) = 0.2
p(point/face) = vpoint(face)
p(F1)= 1/6
p(F2)= 1/6
p(F3)= 1/6
p(F4)= 1/6
p(F5)= 1/6
p(F6)= 1/6
p(face)
Exemple : Jet de dé
D’après M. Rombaut (LIS – UJF, Grenoble)
30
30
Approche probabiliste
Fusion modèle-mesure
1 point
F1 p(F1/1point ) = p(1point/F1). p(F1) . 6 / 3.4 = 0.26
F2 p(F2/1point ) = p(1point/F2). p(F2) . 6 / 3.4 = 0.06
F3 p(F3/1point ) = p(1point/F3). p(F3) . 6 / 3.4 = 0.26
F4 p(F4/1point ) = p(1point/F4). p(F4) . 6 / 3.4 = 0.09
F5 p(F5/1point ) = p(1point/F5). p(F5) . 6 / 3.4 = 0.26
F6 p(F6/1point ) = p(1point/F6). p(F6) . 6 / 3.4 = 0.06
6/4.3)()./1( iF
ii FpFpointpCapteur 1 : 1 point
Exemple : Jet de dé
D’après M. Rombaut (LIS – UJF, Grenoble)
31
31
Approche probabiliste
Fusion : mesure - mesure Information disponible
– distribution de vraisemblance source 1 : p(d1/Hi)=vd1(Hi)
– distribution de vraisemblance source 2 : p(d2/Hi)=vd2(Hi)
jHjdjd
ididid HvHv
HvHvHv
)()(
)().()(
21
212,1
vraisemblance
Exemple : Jet de dé
32
32
Approche probabiliste
Fusion mesure-mesure
p(1point,1point/F3)=v1point,1point(F3) = 0.81 / 1.38 = 0.59
1 point
F1 p(1point/F1) = 0.9
F2 p(1point/F2) = 0.2
F3 p(1point/F3) = 0.9
F4 p(1point/F4) = 0.3
F5 p(1point/F5) = 0.9
F6 p(1point/F6) = 0.2
Capteur 1 : 1 point1 point
F1 p(1point/F1) = 0.2
F2 p(1point/F2) = 0.8
F3 p(1point/F3) = 0.9
F4 p(1point/F4) = 0.1
F5 p(1point/F5) = 0.2
F6 p(1point/F6) = 0.1
Capteur 2 : 1 point
Exemple : Jet de dé
D’après M. Rombaut (LIS – UJF, Grenoble)
33
33
Approche probabiliste
Paradoxe de Bertrand
Curiosité liée aux probabilités
Question :Probabilité que la bouteille contienne au plus 1.5 fois plus d’eauque de vin ?
Soit une bouteille contenant un mélange eau – vinLa bouteille contient :
• au moins autant d’eau que de vin;• au plus deux fois plus d’eau que de vin.
34
34
Approche probabiliste
Paradoxe de Bertrand
Curiosité liée aux probabilités
Soit le rapport eau/vin :
PRI : loi uniforme sur [1;2]
Probabilité que la bouteille contienne au plus 1.5 fois plus d’eauque de vin égale 0.5
0.5
35
35
Approche probabiliste
Paradoxe de Bertrand
Curiosité liée aux probabilités
Au même événement sont attribuées des probabilités différentes !
le rapport vin/eau :
PRI : loi uniforme sur [0.5;1]
Soit
Probabilité que la bouteille contienne au plus 1.5 fois plus d’eauque de vin égale 2/3 !!!
2/3
36
36
Approche probabiliste
Paradoxe de Bertrand
Curiosité liée aux probabilités
Corde caractérisée par la position de son milieu
P=1/4
Corde caractérisée par la distance de son milieu au centre du cercle
P=1/2
Corde caractérisée par ses extrémités
P=1/3
Au même événement sont attribuées des probabilités différentes !
Triangle équilatéral inscrit dans un cercle. Une corde de ce cercle choisie auhasard.Quelle est la probabilité que sa longueur soit supérieure au côté du triangle?
37
37
Approche probabiliste
Conséquence La théorie des probabilités n’est pas suffisamment générale
pour modéliser toutes les formes d’incertitude.
Généralisations :– mesures de confiance – théorie des possibilités– théorie des fonctions de croyance
En particulier– Remise en cause de l’additivité
mesures floues [Sugeno, 74] capacités [Choquet, 53]
Théories des probabilités
38
38
Approche probabiliste
Mesures de confiance
Un cadre plus général que celui de la théorie des probabilités. fini (domaine d’une variable y), g:2[0,1] est une mesure de
confiance (mesure floue) si– g()=0, g()=1 A,B , A B g(A) g(B) [monotonie]
Interprétation : g(A)=degré de confiance dans l’événement A (c.a.d. dans le fait que y A)
Une mesure de probabilité est une mesure de confiance, mais une mesure de confiance n’est pas nécessairement additive.
Conclusion
39
39
Approche probabiliste
Formalisme très largement utilisé Distribution continue (e.g. gaussienne) Confusion entre méconnaissance (ignorance) et équiprobabilité Fusion conjonctive normalisée Conflit non modélisé (ennuyeux quand sources sont en désaccord) Bon fonctionnement en cas de connaissances riches
Conclusion
40
40
Approche probabiliste
This is the end of this part!This is the end of this part!