\section{Chapitre 13: L'incertain}
\label{sec:ch13}

\subsection{Probabilités}
\label{sec:ch13prob}

\paragraph{Types de probabilités}

\begin{itemize}
\item \textit{a priori}: avant la perception
\item \textit{a posteriori}: après la perception
\item inconditionnelle: en l'absence de tout autre information
\item conditionnelle: lorsque certaines informations sont disponibles
\end{itemize}

\paragraph{Variables aléatoires}

\begin{itemize}
\item Domaine de valeurs:
  \begin{itemize}
  \item Booléennes (vrai,faux)
  \item Discrètes (valeurs mutuellement exclusives et exhaustives)
  \item Continues (valeurs réelles, souvent un intervalle)
  \end{itemize}
\item Distribution de probabilités:
  \begin{itemize}
  \item Probabilité pour chacune des assignations possibles
  \item Conjointe: pour toutes les combinaisons de valeurs possibles
  \end{itemize}
\end{itemize}

\paragraph{Règle de Bayes}

\begin{align}
  P(a|b)&=\frac{P(a \wedge b)}{P(b)}\\
  P(a \wedge b)&=P(a|b)P(b)\\
        &=P(b|a)P(a)
\end{align}

\paragraph{Axiomes probabilistes}

\begin{itemize}
\item $P(x) \in \left[ 0,1 \right]$
\item Vrai$\mapsto 1$, Faux$\mapsto 0$
\item Disjonsction: $P(a \vee b)=P(a)+P(b)-P(a \wedge b)$
\item Théorème de Finetti: Si les croyances de l'agent 1 ne respecte pas les axiomes, alors il existe une combinaison de paris pour un agent 2 qui fait toujours perdre l'agent 1.
\end{itemize}

\subsection{Inférence}
\label{sec:ch13inference}

\paragraph{Inférence par énumération}

\begin{itemize}
\item Utilise la distribution conjointe
\item Somme de toutes les probabilités où la proposition est vraie
\item Lorsqu'on somme pour une variable aléatoire, on obtient une probabilité marginale
\item Probabilité conditionnelle: en utilisant la Règle de Bayes. 
\end{itemize}

\paragraph{Normalisation}

Le dénominateur peut être vu comme une constante de normalisation $\alpha$.

\begin{align}
  P(A|B)&=\alpha P(A \wedge B)\\
  \alpha&=\frac{1}{P(B)}
\end{align}

Idée générale: Fixer les variables d'évidence $\mathbf{e}$ et effectuer la somme sur les variables cachées (sommation partielle).

\begin{align}
  P(Y) &= \sum_{z}P(Y \wedge z)\\
       &= \sum_{z}P(Y|z)P(z)\\
  P(Y|\mathbf{e})&=\alpha P(Y \wedge \mathbf{e})\\
       &= \alpha \sum_{y}P(X \wedge \mathbf{e} \wedge y)
\end{align}

\paragraph{Problèmes de l'inférence par énumération}

\begin{itemize}
\item Complexité en temps et en espace de $O(d^n)$
\item Difficile de trouver les $d^n$ valeurs de la table
\item Plutôt une base théorique pour des méthodes d'approximation
\end{itemize}

\subsection{Règle de Bayes}
\label{sec:ch13bayes}

\begin{mydef}
  Deux variables sont indépendantes si $P(X|Y)=P(X)$, $P(Y|X)=P(Y)$ ou $P(X \wedge Y) = P(X)P(Y)$
\end{mydef}

\begin{mydef}
  Règle de Bayes:
  \begin{align}
    P(b|a)&=\frac{P(a|b)P(b)}{P(a)}\\
    P(\mathtt{cause}|\mathtt{effet})&=\frac{P(\mathtt{effet}|\mathtt{cause})P(\mathtt{cause})}{P(\mathtt{effet})}
  \end{align}
\end{mydef}

En appliquant la normalisation:

\begin{align}
  \mathbf{P}(Y|X)=\alpha \mathbf{P}(X|Y)\mathbf{P}(Y)
\end{align}

\begin{mydef}
  Deux variables sont conditionnellement indépendantes par rapport à une 3e variable si
  \begin{align}
    \mathbf{P}(X \wedge Y|Z)=\mathbf{P}(X|Z)\mathbf{P}(Y|Z)
  \end{align}
\end{mydef}

Avec l'indépendance conditionnelle, la complexité passe de $O(d^n)$ à $O(n)$.

\begin{align}
  P(\mathtt{cause},\mathtt{Effet}_1,\ldots,\mathtt{Effet}_n)&=P(\mathtt{cause})\prod_iP(\mathtt{effet}_i|\mathtt{cause})
\end{align}

C'est un classificateur de Bayes naïf.

\paragraph{Jeu du Wumpus}

\begin{itemize}
\item Un trou cause une brise dans les cases adjacentes.
\item Toutes les cases sauf [1,1] contiennent un trou avec une probabilité de $0.2$.
\end{itemize}

La distribution conjointe complète est

\begin{align}
  \mathbf{P}(B_{1,1},B_{1,2},B_{2,1}|P_{1,1},\ldots,P_{4,4})\mathbf{P}(P_{1,1},\ldots,P_{4,4})
\end{align}

Par indépendance, on a

\begin{align}
  \mathbf{P}(P_{1,1},\ldots,P_{4,4}) = \prod_{i,j=1,1}^{4,4}\mathbf{P}(P_{i,j})
\end{align}

On veut trouver $P(1,3|\mathtt{known},b)$. Par énumération, on obtient:

\begin{align}
  \alpha \sum_{\mathtt{unknown}}\mathbf{P}(P_{1,3},\mathtt{unknown},\mathtt{known},b)
\end{align}
La somme contient $2^{12}=4096$ termes. En utilisant les indépendances conditionnelles:

\begin{align}
  P(b|P_{1,3},\mathtt{known},\mathtt{unknown})=P(b|P_{1,3},\mathtt{known},\mathtt{fringe})
\end{align}



%%% Local Variables:
%%% mode: latex
%%% TeX-master: "notes_de_cours"
%%% End: