Probabilité a priori

Dans le théorème de Bayes, la probabilité a priori (ou Modèle:Lang) désigne une probabilité se fondant sur des données ou connaissances antérieures à une observation. Elle s'oppose à la probabilité a posteriori (ou Modèle:Lang) correspondante qui s'appuie sur les connaissances postérieures à cette observation.

Formalisation

Théorème de Bayes

Le théorème de Bayes s'énonce de la manière suivante :

$\mathbb{P}(A|B)=\frac{\mathbb{P}(B|A)\cdot \mathbb{P}(A)}{\mathbb{P}(B)}$, si $\mathbb{P}(B)\ne 0$.

$\mathbb{P}(A)$ désigne ici la probabilité a priori de $A$, tandis que $\mathbb{P}(A|B)$ désigne la probabilité a posteriori, c'est-à-dire la probabilité conditionnelle de $A$ sachant $B$. $\mathbb{P}(B|A)$ est la vraisemblance de A sachant B.

Lois

Modèle:Page connexe Soit θ un paramètre ou vecteur de paramètres inconnu considéré aléatoire :

• la loi de la variable aléatoire $\theta$ avant observation est appelée loi a priori, notée généralement $\pi (\theta )$Modèle:, ;

• la loi de la variable aléatoire $\theta$ après observation est appelée loi a posteriori.

Extension du modèle

Soit Modèle:Mvar une variable aléatoire dont la loi de probabilité associée dépend de $\theta$, et Modèle:Mvar l'observation.

Le théorème de Bayes s’énonce alors : $\mathbb{P}(\theta |x)=\frac{\mathbb{P}(x|\theta )\cdot \mathbb{P}(\theta )}{\mathbb{P}(x)}$.

La probabilité a priori est $\mathbb{P}(\theta )$ et la probabilité a posteriori devient $\mathbb{P}(\theta |x)$.

La loi a priori est toujours $\pi (\theta )$ et la loi a posteriori est alors la loi de $\theta$ conditionnellement à l'observation $x$ de $X$ et s'écrit donc $\pi (\theta |x)$Modèle:,.

Choix d’une loi de probabilité a priori

Les lois a priori peuvent être créées à l'aide d'un certain nombre de méthodesModèle:Rp.

• Une loi a priori peut être déterminée à partir d'informations antérieures, telles que des expériences précédentes.

• Elle peut être obtenue à partir de l'évaluation purement subjective d'un expert expérimenté.

• Une loi a priori non informative peut être créée pour refléter un équilibre entre les résultats lorsque aucune information n'est disponible.

• Les lois a priori peuvent également être choisies en fonction d'un certain principe, comme la symétrie ou la maximisation de l'entropie compte tenu des contraintes ; les exemples sont la loi a priori de Jeffreys ou l’a priori de référence de Berger-Bernardo.

• Enfin, lorsqu'il existe une famille d’Modèle:Lien, le choix d'un a priori dans cette famille simplifie le calcul de la loi a posteriori.

Articles connexes

• Inférence bayésienne
• Probabilité a posteriori
• Probabilité conditionnelle
• Statistique bayésienne
• Fonction de vraisemblance
• Théorème de Bayes

Bibliographie

• Modèle:Ouvrage
• Modèle:Ouvrage
• Modèle:Article
• Modèle:Article
• Modèle:Article
• Modèle:Article
  • réimprimé dans Modèle:Ouvrage
• Modèle:Ouvrage
• Modèle:Article
• Modèle:Ouvrage
• Modèle:Ouvrage