Familles courantes de distribution IFT6085-H2014: Modèles Graphiques Probabilistes Prof: Aaron Courville Email: [email protected] Office: 3253 Pav. Andre Aisenstadt IFT6085-H2014: Modèles Graphiques Probabilistes 02 - Familles courantes de distribution 1 Modèle statistique • Modèle paramétrique - Définition: Ensemble ou une famille de distributions de probabilité paramétrées par un vecteur θ ∈ Θ ⊂ Rp PΘ = {p(x; θ) | θ ∈ Θ} • Nous pouvons penser à ces modèles comme des modèles graphiques simples avec un seul nœud: X • Dans ces notes, nous passerons en revue quelques modèles de probabilité communes pour différentes sortes de X. IFT6085-H2014: Modèles Graphiques Probabilistes 02 - Familles courantes de distribution 2 Loi Bernoulli • Loi Bernoulli X ∼ Bernoulli(p) - X est une v.a. binaire: x ∈ {0, 1} - Le paramètre de modèle: θ = p ∈ Θ = [0, 1] - Le Bernoulli p.m.f(x): f (x; p) = px (1 − p)1−x - Espérance E[x] = p - Variance: Var[x] = p(1 − p) IFT6085-H2014: Modèles Graphiques Probabilistes 02 - Familles courantes de distribution 3 Loi Binomiale • Loi Binomiale: X ∼ B(n, p) - X est une v.a. discrète: x ∈ {0, 1, 2, . . . , n} - Les paramètres de modèle: θ = (n, p) ∈ Θ = Z+ × [0, 1] ! " n x p (1 − p)n−x Le binomial p.m.f(x): f (x; n, p) = x - Espérance: E[x] = np , p.m.f.(x): IFT6085-H2014: Modèles Graphiques Probabilistes Variance: Var[x] = np(1 − p) c.d.f.(x): 02 - Familles courantes de distribution 4 Loi Multinomiale • Distribution Multinomiale: X ∼ Multinomial(n, p1 , . . . , pK ) - X est un vecteur aléatoire discrète avec elements xi ∈ {0, 1, 2, . . . , n} K ! xi = n telle que i=1 - Les paramètres de modèle: θ = (n, p1 , . . . , pK ) ∈ Θ = R+ × [0, 1]K K ! ou pi = 1 i=1 - Le multinomial p.m.f.(x): - Espérance: E[xi ] = npi - Variance: n! f (x; n, p1 , . . . , pK ) = px1 1 · · · pxKK x 1 ! · · · xK ! Var[xi ] = npi (1 − pi ), Cov(xi , xj ) = −npi pj IFT6085-H2014: Modèles Graphiques Probabilistes 02 - Familles courantes de distribution 5 Loi de Poisson • Distribution de Poisson: X ∼ Pois(λ) - X est une v.a. discrète: x - Le paramètre de modèle: θ = λ ∈ Θ = R+ ∈ {0, 1, 2, 3, . . . } - λx −λ e Le p.m.f.(x) de poisson: f (x; λ) = x! - Espérance: E[x] = λ, p.d.f.(x): IFT6085-H2014: Modèles Graphiques Probabilistes Variance: Var[x] = λ c.d.f.(x): 02 - Familles courantes de distribution 6 loi Gaussienne (Normale) - cas univariée • Gaussienne univariée: X ∼ N (µ, σ 2 ) - X est un v.a. réelles ( x ∈ R ) et θ = (µ, σ 2 ) ∈ Θ = R × R+ ! " 2 1 1 (x − µ) 2 exp − Le p.d.f.(x) gaussienne est: p(x; µ, σ ) = √ 2 σ2 2πσ 2 Espérance: E(x) = µ , Variance: Var(x) = σ 2 p.d.f.(x): IFT6085-H2014: Modèles Graphiques Probabilistes c.d.f.(x): 02 - Familles courantes de distribution 7 loi Gaussienne (Normale) - cas multivariée • Gaussienne multivariée: X ∼ N (µ, Σ) - X est un vecteur aléatoire réelles ( x ∈ Rd) et θ = (µ, Σ) ∈ Θ = Rd × Kd ou Kd est l'ensemble des matrices d × d définies positives. Gaussienne multivariée p.d.f.(x): 1 " 1 p(x; µ, Σ) = ! exp − (x − µ)T Σ−1 (x − µ) 2 (2π)d det Σ p.d.f.(x): IFT6085-H2014: Modèles Graphiques Probabilistes # c.d.f.(x): 02 - Familles courantes de distribution 8 Loi exponentielle • Loi exponentielle: X ∼ exp(λ) - X est un v.a. réelles avec x ≥ 0 et θ = λ ∈ Θ = R+ ou λ est le paramètre d'intensité. - Le p.d.f.(x) exponentielle est: p(x; λ) = λe−λx - 1 Espérance: E(x) = , λ p.d.f.(x): IFT6085-H2014: Modèles Graphiques Probabilistes 1 Variance: Var(x) = 2 λ c.d.f.(x): 02 - Familles courantes de distribution 9 Loi de Laplace • Distribution de Laplace: X ∼ Laplace(µ, b) - X est un v.a. réelles ( x ∈ R ) and θ = (µ, b) ∈ Θ = R × R+ ! " 1 |x − µ| exp − The p.d.f.(x) de Laplace: p(x; µ, b) = 2b b Espérance: E(x) = µ , Variance: Var(x) = 2b2 p.d.f.(x): IFT6085-H2014: Modèles Graphiques Probabilistes c.d.f.(x): 02 - Familles courantes de distribution 10 Loi Gamma • Loi Gamma: X ∼ Γ(α, β) ≡ Gamma(α, β) - X est un v.a. réelles avec x ≥ 0 et θ = (α, β) ∈ Θ = R+ × R+ ou αest le paramètre d'échelle et βest le paramètre d'intensité. β α α−1 −βx p(x; α, β) = x e Le p.d.f.(x) Gamma: Γ(α) α α Espérance: E(x) = , Variance: Var(x) = 2 β β p.d.f.(x): IFT6085-H2014: Modèles Graphiques Probabilistes c.d.f.(x): 02 - Familles courantes de distribution 11 Loi log-normale • Distribution log-normale: X ∼ ln N (µ, σ 2 ) - X est un v.a. réelles avec x > 0 et θ = (µ, σ 2 ) ∈ Θ = R × R+ ! " 2 1 1 (ln x − µ) 2 exp − Le p.d.f.(x) log-normal est: p(x; µ, σ ) = √ 2 2 σ2 x 2πσ ! " 2 σ Espérance: E(x) = exp µ + 2 ! " 2# $ " # 2 Variance: Var(x) = exp σ − 1 exp 2µ + σ p.d.f.(x): IFT6085-H2014: Modèles Graphiques Probabilistes c.d.f.(x): 02 - Familles courantes de distribution 12 Loi Bêta • Distribution Bêta: X ∼ Beta(α, β) - X est un v.a. réelles avec 0≤ x ≤ 1 et θ = (α, β) ∈ Θ = R+ × R+ ou α and β sont des paramètre de “shape” - Γ(α + β) α−1 x (1 − x)β−1 The Bêta p.d.f.(x) is: p(x; α, β) = Γ(α)Γ(β) - α Espérance: E(x) = , α+β p.d.f.(x): IFT6085-H2014: Modèles Graphiques Probabilistes αβ Variance: Var(x) = (α + β)2 (α + β + 1) c.d.f.(x): 02 - Familles courantes de distribution 13 Loi de Dirichlet • Loi de Dirichlet: - X ∼ Dir(α) X est un vecteur aleatoire avec elements 0≤ xi ≤ 1 et ∑xi = 1. θ = (α1 , α2 , . . . , αK ) ∈ Θ = RK + ou αi sont des paramètre de concentration Le Dirichlet p.d.f.(x): Γ(α0 ) p(x; α) = !K i=1 - αi Espérance: E[xi ] = α0 - αi (α0 − αi ) Variance: Var[xi ] = 2 α0 (α0 + 1) IFT6085-H2014: Modèles Graphiques Probabilistes K " Γ(αi ) i=1 i −1 xα , where α0 = i 02 - Familles courantes de distribution K # αi i=1 14