Dans le champ de la th\u00e9orie des probabilit\u00e9s et de la statistique inf\u00e9rentielle, l’esp\u00e9rance math\u00e9matique constitue le barycentre th\u00e9orique fondamental autour duquel s’articule la mod\u00e9lisation stochastique. Conceptuellement introduite au dix-septi\u00e8me si\u00e8cle par des pionniers tels que Christiaan Huygens et Blaise Pascal dans le contexte de l’analyse des jeux de hasard, l’esp\u00e9rance quantifie la valeur moyenne attendue d’un ph\u00e9nom\u00e8ne al\u00e9atoire lorsque l’\u00e9preuve est r\u00e9p\u00e9t\u00e9e un nombre infini de fois dans des conditions identiques. Dans le cadre contemporain de l’analyse computationnelle et de la science des donn\u00e9es, la formalisation de cette grandeur ne rel\u00e8ve pas d’une simple curiosit\u00e9 abstraite ; elle conditionne l’\u00e9valuation des risques, la tarification actuarielle, la pr\u00e9vision algorithmique et la mod\u00e9lisation cognitive des processus d\u00e9cisionnels humains.<\/p>\n
L’environnement de programmation statistique R s’est impos\u00e9 comme l’\u00e9cosyst\u00e8me de r\u00e9f\u00e9rence pour l’analyse de donn\u00e9es exp\u00e9rimentales et la mod\u00e9lisation probabiliste avanc\u00e9e. Con\u00e7u d\u00e8s l’origine pour manipuler des structures vectorielles et matricielles avec une concision syntaxique exceptionnelle, R propose de multiples paradigmes pour \u00e9valuer l’esp\u00e9rance math\u00e9matique d’une variable al\u00e9atoire, qu’elle soit discr\u00e8te ou continue. De l’arithm\u00e9tique vectoris\u00e9e \u00e9l\u00e9mentaire aux m\u00e9thodes d’int\u00e9gration num\u00e9rique adaptative, en passant par les formalismes de l’alg\u00e8bre lin\u00e9aire, le praticien dispose d’un vaste \u00e9ventail d’outils computationnels. N\u00e9anmoins, l’ex\u00e9cution aveugle de ces commandes sans une compr\u00e9hension profonde des m\u00e9canismes algorithmiques sous-jacents expose l’analyste \u00e0 des d\u00e9faillances num\u00e9riques subtiles, telles que les erreurs d’arrondi \u00e0 virgule flottante ou le comportement pernicieux du recyclage vectoriel non contr\u00f4l\u00e9.<\/p>\n
Cet ouvrage analytique propose une immersion exhaustive dans les m\u00e9thodes de calcul de l’esp\u00e9rance math\u00e9matique sous R. \u00c0 travers un continuum m\u00e9thodologique rigoureux, nous explorerons les fondements axiomatiques de la mesure probabiliste, les d\u00e9clinaisons syntaxiques fondamentales au sein du moteur R, l’\u00e9valuation comparative de leurs performances computationnelles, ainsi que leur mise en \u0153uvre pratique dans les domaines de la psychologie quantitative, de l’apprentissage par renforcement et de la th\u00e9orie de la d\u00e9cision sous incertitude. Chaque approche est diss\u00e9qu\u00e9e avec pr\u00e9cision, alliant rigueur math\u00e9matique, bonnes pratiques d’ing\u00e9nierie logicielle et clart\u00e9 p\u00e9dagogique afin d’offrir un guide de r\u00e9f\u00e9rence complet et p\u00e9renne pour les chercheurs et praticiens de l’analyse statistique.<\/p>\n
\nUne variable al\u00e9atoire discr\u00e8te, traditionnellement not\u00e9e par la lettre majuscule X<\/em>, est formellement d\u00e9finie comme une application mesurable d\u00e9ploy\u00e9e d’un espace probabilisable vers un ensemble d\u00e9nombrable de valeurs r\u00e9elles. Cet ensemble d’arriv\u00e9e, d\u00e9sign\u00e9 sous le terme de support math\u00e9matique de la variable et not\u00e9 S<\/em>, rassemble l’ensemble exhaustif des r\u00e9alisations potentielles que peut adopter le syst\u00e8me sous observation. \u00c0 chaque \u00e9l\u00e9ment x<\/em> appartenant \u00e0 ce support correspond une masse de probabilit\u00e9 d\u00e9termin\u00e9e, quantifi\u00e9e par la fonction de distribution de probabilit\u00e9 P(X = x)<\/em>. La structure intrins\u00e8que d’une telle variable implique que la somme de ces masses de probabilit\u00e9 r\u00e9parties sur l’int\u00e9gralit\u00e9 du support converge imp\u00e9rativement vers l’unit\u00e9, garantissant la coh\u00e9rence probabiliste du mod\u00e8le.\n<\/p>\n \nSur le plan analytique, l’esp\u00e9rance math\u00e9matique, commun\u00e9ment symbolis\u00e9e par la lettre grecque μ ou par l’op\u00e9rateur E[X]<\/em>, incarne la moyenne pond\u00e9r\u00e9e de l’ensemble des r\u00e9alisations discr\u00e8tes du support, o\u00f9 le facteur de pond\u00e9ration de chaque valeur correspond rigoureusement \u00e0 sa probabilit\u00e9 d’occurrence th\u00e9orique. La formulation math\u00e9matique standard s’exprime sous la forme de la s\u00e9rie convergente :\n<\/p>\n \nE[X] = ∑ [x × P(X = x)]<\/strong>\n<\/p>\n \nCette quantit\u00e9 repr\u00e9sente le centre de gravit\u00e9 de la loi de probabilit\u00e9 consid\u00e9r\u00e9e. L’op\u00e9rateur d’esp\u00e9rance jouit de propri\u00e9t\u00e9s analytiques remarquables qui facilitent grandement la manipulation alg\u00e9brique des distributions stochastiques. La plus \u00e9minente d’entre elles r\u00e9side dans sa lin\u00e9arit\u00e9 stricte : pour tout couple de constantes r\u00e9elles a<\/em> et b<\/em>, et pour toute variable al\u00e9atoire X<\/em> admettant une esp\u00e9rance finie, la relation E[aX + b] = aE[X] + b<\/em> est syst\u00e9matiquement v\u00e9rifi\u00e9e. Cette propri\u00e9t\u00e9 fondamentale d\u00e9montre l’invariance de l’op\u00e9rateur par translation et sa sensibilit\u00e9 directe aux homoth\u00e9ties d’\u00e9chelle.\n<\/p>\n \nIl convient d’\u00e9tablir une distinction conceptuelle fondamentale entre la moyenne arithm\u00e9tique empirique issue d’un \u00e9chantillon fini et l’esp\u00e9rance math\u00e9matique th\u00e9orique. La premi\u00e8re constitue une statistique descriptive calcul\u00e9e sur un ensemble fini d’observations empiriques et demeure, par essence, soumise aux fluctuations de l’\u00e9chantillonnage al\u00e9atoire. La seconde repr\u00e9sente une constante intrins\u00e8que et immuable de la distribution de probabilit\u00e9 g\u00e9n\u00e9ratrice. Selon la Loi Forte des Grands Nombres<\/a>, lorsque le cardinal de l’\u00e9chantillon empirique tend vers l’infini, la moyenne empirique converge presque s\u00fbrement vers l’esp\u00e9rance math\u00e9matique th\u00e9orique, scellant ainsi l’interface entre l’observation empirique et l’id\u00e9alit\u00e9 probabiliste.\n<\/p>\n \nAu sein des sciences comportementales, de la psychologie quantitative et de l’\u00e9conomie computationnelle, l’esp\u00e9rance math\u00e9matique intervient comme une brique \u00e9l\u00e9mentaire dans la formalisation des choix rationnels face au risque. Historiquement, la formalisation de la th\u00e9orie de l’utilit\u00e9 esp\u00e9r\u00e9e par John von Neumann et Oskar Morgenstern<\/a> a transpos\u00e9 l’esp\u00e9rance du domaine purement mon\u00e9taire vers l’espace psychologique de la satisfaction subjective. Dans cette perspective, l’agent d\u00e9cideur n’\u00e9value pas directement la valeur attendue des gains objectifs, mais maximise l’esp\u00e9rance de la transformation non lin\u00e9aire de ces gains \u00e0 travers une fonction d’utilit\u00e9 subjective u(x)<\/em>, formul\u00e9e par E[u(X)] = ∑ [u(x) × P(X = x)]<\/em>.\n<\/p>\n \nCette approche computationnelle s’\u00e9tend \u00e9galement \u00e0 la chronom\u00e9trie mentale et \u00e0 l’analyse des temps de r\u00e9action. Dans les paradigmes de temps de r\u00e9action s\u00e9riel ou de choix forc\u00e9 \u00e0 alternatives multiples, les latences cognitives observ\u00e9es chez les participants ne constituent pas des grandeurs fixes, mais des variables al\u00e9atoires distribu\u00e9es selon des profils continus ou discr\u00e9tis\u00e9s. Le calcul de l’esp\u00e9rance des latences pond\u00e9r\u00e9es par la probabilit\u00e9 de r\u00e9ussite comportementale permet d’isoler la vitesse de traitement de l’information sous-jacente des interf\u00e9rences attentionnelles sporadiques. L’esp\u00e9rance math\u00e9matique sert ainsi d’ancrage m\u00e9trique pour quantifier l’efficacit\u00e9 du traitement neural dans diverses conditions de charge cognitive.\n<\/p>\n \nCependant, l’adh\u00e9sion stricte \u00e0 l’esp\u00e9rance math\u00e9matique objective r\u00e9v\u00e8le ses limites lorsqu’elle se heurte aux donn\u00e9es empiriques issues des laboratoires de psychologie cognitive. Des paradoxes d\u00e9cisionnels renomm\u00e9s, \u00e0 l’instar du paradoxe de Saint-P\u00e9tersbourg ou des paradoxes d’Allais et d’Ellsberg, d\u00e9montrent sans ambigu\u00eft\u00e9 que l’architecture d\u00e9cisionnelle humaine viole fr\u00e9quemment les axiomes de la maximisation lin\u00e9aire. Les individus ont tendance \u00e0 surpond\u00e9rer les probabilit\u00e9s infinit\u00e9simales associ\u00e9es \u00e0 des \u00e9v\u00e9nements dramatiques ou hautement gratifiants, tout en sous-pond\u00e9rant les probabilit\u00e9s moyennes \u00e0 \u00e9lev\u00e9es. Ces d\u00e9viations syst\u00e9matiques ont conduit \u00e0 l’\u00e9mergence de la th\u00e9orie des perspectives d\u00e9velopp\u00e9e par Daniel Kahneman et Amos Tversky, qui substitue aux probabilit\u00e9s objectives une fonction de pond\u00e9ration non lin\u00e9aire subjective, confirmant la n\u00e9cessit\u00e9 de ma\u00eetriser l’esp\u00e9rance classique pour mieux en mod\u00e9liser les distorsions cognitives.\n<\/p>\n \nLa validit\u00e9 op\u00e9ratoire du calcul de l’esp\u00e9rance math\u00e9matique repose imp\u00e9rativement sur le respect rigoureux de l’axiomatique formelle formul\u00e9e par Andrei Kolmogorov<\/a> en 1933. Cette armature th\u00e9orique garantit que les pond\u00e9rations utilis\u00e9es dans le calcul constituent une mesure de probabilit\u00e9 l\u00e9gitime. Le premier axiome imp\u00e9ratif est l’axiome de non-n\u00e9gativit\u00e9 : pour toute r\u00e9alisation discr\u00e8te x<\/em> du support, la probabilit\u00e9 correspondante P(X = x)<\/em> doit \u00eatre strictement sup\u00e9rieure ou \u00e9gale \u00e0 z\u00e9ro. L’existence d’une valeur n\u00e9gative au sein du vecteur des poids invalide instantan\u00e9ment la structure m\u00e9trique de l’espace et prive le r\u00e9sultat arithm\u00e9tique de toute signification probabiliste.\n<\/p>\n \nLe deuxi\u00e8me axiome capital concerne l’unitarit\u00e9 de la mesure sur l’ensemble univers. La somme int\u00e9grale de l’ensemble des probabilit\u00e9s \u00e9l\u00e9mentaires associ\u00e9es aux \u00e9v\u00e9nements mutuellement exclusifs du support doit \u00eatre rigoureusement \u00e9gale \u00e0 un :\n<\/p>\n \n∑ P(X = x) = 1<\/strong>\n<\/p>\n \nToute d\u00e9viation par rapport \u00e0 cette norme unitaire, qu’elle r\u00e9sulte d’une troncature accidentelle de la distribution ou d’une erreur de saisie des donn\u00e9es exp\u00e9rimentales, g\u00e9n\u00e8re un biais syst\u00e9matique majeur. Si la somme des probabilit\u00e9s est strictement inf\u00e9rieure \u00e0 un, l’esp\u00e9rance est sous-\u00e9valu\u00e9e ; si elle exc\u00e8de l’unit\u00e9, l’esp\u00e9rance calcul\u00e9e souffre d’une inflation artificielle non admissible.\n<\/p>\n \nEnfin, il convient de distinguer le traitement des espaces probabilis\u00e9s finis de celui des espaces infinis d\u00e9nombrables. Dans le cas d’un espace fini comportant K<\/em> \u00e9tats, la somme est toujours bien d\u00e9finie et converge n\u00e9cessairement vers une valeur finie. En revanche, lorsque le support s’\u00e9tend sur un espace infini d\u00e9nombrable, tel que l’ensemble des entiers naturels caract\u00e9risant une loi de Poisson ou une loi g\u00e9om\u00e9trique, la convergence de la s\u00e9rie d\u00e9finissant l’esp\u00e9rance requiert la condition imp\u00e9rative de sommabilit\u00e9 absolue :\n<\/p>\n \n∑ [|x| × P(X = x)] < ∞<\/strong>\n<\/p>\n \nSi cette condition d’int\u00e9grabilit\u00e9 absolue n’est pas remplie, l’esp\u00e9rance math\u00e9matique est th\u00e9oriquement ind\u00e9finie, quand bien m\u00eame la fonction de probabilit\u00e9 satisferait parfaitement les axiomes de Kolmogorov.\n<\/p>\n \nL’environnement statistique R repose sur un paradigme de manipulation de donn\u00e9es orient\u00e9 vecteurs. L’unit\u00e9 \u00e9l\u00e9mentaire de stockage pour les valeurs du support et pour leurs probabilit\u00e9s respectives est le vecteur num\u00e9rique atomique. Pour instancier ces objets, le praticien emploie la fonction de concat\u00e9nation c()<\/em>, qui regroupe une s\u00e9quence de scalaires au sein d’une structure continue en m\u00e9moire vive. Une initialisation s\u00e9mantiquement rigoureuse impose de distinguer explicitement le vecteur des \u00e9tats possibles, usuellement baptis\u00e9 vals<\/em> ou valeurs<\/em>, du vecteur des poids probabilistes, conventionnellement d\u00e9sign\u00e9 par probs<\/em> ou probabilites<\/em>.\n<\/p>\n \nLa tra\u00e7abilit\u00e9 et la robustesse de l’analyse exigent une v\u00e9rification m\u00e9thodique de la nature interne des objets allou\u00e9s. L’utilisation de la fonction typeof()<\/em> permet de s’assurer que le moteur d’ex\u00e9cution manipule des vecteurs de type double<\/em> (nombres \u00e0 virgule flottante en double pr\u00e9cision selon la norme standardis\u00e9e IEEE 754), condition pr\u00e9alable indispensable \u00e0 la pr\u00e9cision des op\u00e9rations de calcul probabiliste. Conjointement, l’invocation de la fonction d’interrogation logique is.numeric()<\/em> certifie que des cha\u00eenes de caract\u00e8res n’ont pas \u00e9t\u00e9 ins\u00e9r\u00e9es par inadvertance lors du processus d’affectation :\n<\/p>\n \nvals <- c(0, 1, 2, 3, 4) \nDans les architectures d’analyse modernes, notamment au sein de l’\u00e9cosyst\u00e8me Tidyverse<\/a>, l’organisation de ces vecteurs ind\u00e9pendants au sein d’une structure de table rectangulaire ordonn\u00e9e de type data.frame<\/em> ou tibble<\/em> offre une s\u00e9curit\u00e9 m\u00e9thodologique accrue. En encapsulant le support et sa distribution dans un tableau unifi\u00e9, chaque r\u00e9alisation demeure solidaire de sa masse de probabilit\u00e9 sur la m\u00eame ligne logique, r\u00e9duisant consid\u00e9rablement les risques de d\u00e9phasage vectoriel lors des manipulations ult\u00e9rieures de tri, de filtrage ou de sous-\u00e9chantillonnage exp\u00e9rimental.\n<\/p>\n \nAvant d’engager la moindre op\u00e9ration arithm\u00e9tique visant \u00e0 d\u00e9terminer l’esp\u00e9rance math\u00e9matique, l’impl\u00e9mentation de proc\u00e9dures de contr\u00f4le d’int\u00e9grit\u00e9 et de programmation d\u00e9fensive est une n\u00e9cessit\u00e9 absolue. La premi\u00e8re \u00e9tape de cette validation consiste \u00e0 garantir l’isomorphisme dimensionnel entre le vecteur des r\u00e9alisations et le vecteur des probabilit\u00e9s associ\u00e9es. Une asym\u00e9trie de longueur, \u00e9valuable par la fonction length()<\/em>, signale imm\u00e9diatement une omission exp\u00e9rimentale ou une alt\u00e9ration de la structure de donn\u00e9es qui rendrait toute tentative de pond\u00e9ration math\u00e9matiquement erron\u00e9e.\n<\/p>\n \nLe second point de contr\u00f4le critique concerne le respect rigoureux des contraintes axiomatiques de Kolmogorov abord\u00e9es pr\u00e9c\u00e9demment. Il est imp\u00e9ratif d’\u00e9valuer de mani\u00e8re programmatique si chaque probabilit\u00e9 appartient strictement au segment ferm\u00e9 [0, 1]. Cette v\u00e9rification s’ex\u00e9cute par des comparaisons logiques vectoris\u00e9es garantissant qu’aucune valeur n’est strictement n\u00e9gative ni sup\u00e9rieure \u00e0 l’unit\u00e9. Par la suite, la conformit\u00e9 de la somme int\u00e9grale des probabilit\u00e9s avec la valeur cible de 1 doit \u00eatre contr\u00f4l\u00e9e. En raison des in\u00e9vitables limitations de l’arithm\u00e9tique \u00e0 virgule flottante, une \u00e9galit\u00e9 stricte test\u00e9e via l’op\u00e9rateur relationnel binaire ==<\/em> peut \u00e9chouer en raison de r\u00e9sidus infinit\u00e9simaux. On recourt donc pr\u00e9f\u00e9rentiellement \u00e0 la fonction all.equal()<\/em>, qui int\u00e8gre un seuil de tol\u00e9rance machine :\n<\/p>\n \nlength(vals) == length(probs) \nPour automatiser et institutionnaliser cette validation au sein de cha\u00eenes de traitement automatis\u00e9es, l’int\u00e9gration de la directive stopifnot()<\/em> permet d’interrompre l’ex\u00e9cution du script d\u00e8s lors qu’un des postulats th\u00e9oriques se trouve viol\u00e9. Cette approche pr\u00e9ventive emp\u00eache la propagation silencieuse d’anomalies statistiques au sein des \u00e9tages subs\u00e9quents de la mod\u00e9lisation statistique.\n<\/p>\n \nLa m\u00e9thode la plus intuitive et la plus proche de la formalisation math\u00e9matique originelle pour \u00e9valuer l’esp\u00e9rance sous R repose sur la vectorisation arithm\u00e9tique de base via la fonction sum()<\/em>. Le paradigme fondamental de R repose sur le traitement des vecteurs comme des entit\u00e9s globales plut\u00f4t que sur l’it\u00e9ration explicite s\u00e9quentielle caract\u00e9ristique des langages imp\u00e9ratifs traditionnels comme C ou Java. L’ex\u00e9cution de l’expression arithm\u00e9tique vals * probs<\/em> ne requiert aucune boucle explicite for<\/em> ; le moteur R applique nativement l’op\u00e9rateur de multiplication scalaire \u00e9l\u00e9ment par \u00e9l\u00e9ment en s’appuyant sur des boucles compil\u00e9es internes hautement optimis\u00e9es \u00e9crites en C et en Fortran.\n<\/p>\n \nCe m\u00e9canisme g\u00e9n\u00e8re un vecteur interm\u00e9diaire \u00e9ph\u00e9m\u00e8re de longueur identique aux op\u00e9randes d’origine. Chaque \u00e9l\u00e9ment de ce vecteur r\u00e9sultant repr\u00e9sente le produit direct xi<\/sub> × P(X = xi<\/sub>)<\/em>, c’est-\u00e0-dire la contribution pond\u00e9r\u00e9e individuelle de la i<\/em>-i\u00e8me r\u00e9alisation discr\u00e8te \u00e0 l’esp\u00e9rance globale du syst\u00e8me. Ce vecteur de contributions partielles capture fid\u00e8lement la structure de dispersion de l’esp\u00e9rance sur le support al\u00e9atoire.\n<\/p>\n \nDans une seconde phase computationnelle, la fonction d’agr\u00e9gation interne sum()<\/em> intervient pour r\u00e9aliser l’op\u00e9ration de r\u00e9duction vectorielle. Elle parcourt ce vecteur interm\u00e9diaire pour en accumuler les valeurs et produire un scalaire unique repr\u00e9sentant l’esp\u00e9rance math\u00e9matique consolid\u00e9e :\n<\/p>\n \nesperance <- sum(vals * probs)\n<\/p>\n \nCette s\u00e9quence op\u00e9rationnelle en deux temps b\u00e9n\u00e9ficie de la vitesse d’ex\u00e9cution de la couche native de R tout en maintenant une correspondance biunivoque parfaite avec l’\u00e9criture math\u00e9matique de l’op\u00e9rateur d’esp\u00e9rance, fournissant une solution algorithmique d’une clart\u00e9 conceptuelle absolue pour l’analyste.\n<\/p>\n \nAfin d’illustrer concr\u00e8tement le fonctionnement de cette m\u00e9thode \u00e9l\u00e9mentaire, consid\u00e9rons une mod\u00e9lisation sportive couramment exploit\u00e9e dans l’\u00e9valuation des performances athl\u00e9tiques et les analyses pr\u00e9dictives : le nombre de buts marqu\u00e9s par une \u00e9quipe au cours d’un match officiel dans un championnat d’\u00e9lite. Dans cet exemple, le support discret de notre variable al\u00e9atoire X<\/em> est circonscrit aux r\u00e9alisations comprises entre 0 et 4 buts :\n<\/p>\n \nvals <- c(0, 1, 2, 3, 4)\n<\/p>\n \n\u00c0 ces r\u00e9alisations, nous associons un vecteur de probabilit\u00e9s estim\u00e9es sur une cohorte r\u00e9trospective de plusieurs centaines de confrontations sportives :\n<\/p>\n \nprobs <- c(0.18, 0.34, 0.35, 0.11, 0.02)\n<\/p>\n \nNous constatons d’embl\u00e9e que les contraintes axiomatiques sont rigoureusement satisfaites : toutes les valeurs de probs<\/em> sont positives ou nulles, et leur sommation int\u00e9grale restitue exactement 0.18 + 0.34 + 0.35 + 0.11 + 0.02 = 1.00. L’ex\u00e9cution de la commande vectoris\u00e9e sous R se d\u00e9roule comme suit :\n<\/p>\n \ncontributions <- vals * probs \nL’\u00e9valuation s\u00e9quentielle du produit vectoriel engendre le vecteur interm\u00e9diaire des contributions : (0 × 0.18 = 0.00), (1 × 0.34 = 0.34), (2 × 0.35 = 0.70), (3 × 0.11 = 0.33) et (4 × 0.02 = 0.08). La sommation finale via sum()<\/em> op\u00e8re ensuite la consolidation arithm\u00e9tique : 0.00 + 0.34 + 0.70 + 0.33 + 0.08 = 1.45.\n<\/p>\n \nSur le plan substantiel, cette valeur th\u00e9orique de 1.45 but par match ne correspond \u00e0 aucune r\u00e9alisation discr\u00e8te possible du support physique, mat\u00e9rialisant parfaitement la nature abstraite de l’esp\u00e9rance. Elle indique la tendance centrale asymptotique \u00e0 laquelle s’attendrait un mod\u00e9lisateur si la m\u00eame \u00e9quipe r\u00e9it\u00e9rait cette rencontre un tr\u00e8s grand nombre de fois dans des conditions strictement analogues.\n<\/p>\n \nL’adoption de l’expression sum(vals * probs)<\/em> pr\u00e9sente une valeur didactique incomparable dans les cursus universitaires de m\u00e9thodologie statistique et de psychom\u00e9trie quantitative. La transparence de sa syntaxe supprime tout niveau d’abstraction logiciel et emp\u00eache l’effet de \u00ab\u00a0bo\u00eete noire\u00a0\u00bb qui accompagne parfois l’emploi aveugle de fonctions statistiques pr\u00e9d\u00e9finies. Pour l’\u00e9tudiant ou le chercheur en phase de prototypage m\u00e9thodologique, cette formulation garantit une compr\u00e9hension imm\u00e9diate de l’alg\u00e8bre probabiliste en action.\n<\/p>\n \nToutefois, cette simplicit\u00e9 syntaxique cache une vuln\u00e9rabilit\u00e9 op\u00e9rationnelle majeure inh\u00e9rente au moteur d’ex\u00e9cution de R : le principe du recyclage vectoriel. Si, en raison d’une d\u00e9faillance dans la pr\u00e9paration des donn\u00e9es, le vecteur vals<\/em> comporte par exemple six \u00e9l\u00e9ments alors que le vecteur probs<\/em> n’en contient que trois, R n’interrompt pas n\u00e9cessairement son ex\u00e9cution par une erreur bloquante. Il r\u00e9utilise silencieusement les composantes du vecteur le plus court pour les aligner artificiellement sur la taille du vecteur le plus long, \u00e9mettant tout au plus un avertissement superficiel si la grande longueur n’est pas un multiple exact de la petite. Cette op\u00e9ration aboutit au calcul d’une esp\u00e9rance totalement d\u00e9nu\u00e9e de sens sans que le script ne signale d’anomalie critique.\n<\/p>\n \nEn cons\u00e9quence, bien que cette m\u00e9thode \u00e9l\u00e9mentaire demeure hautement recommandable pour des scripts d’audit rapide, des validations interactives en console ou des visualisations p\u00e9dagogiques, elle ne saurait \u00eatre int\u00e9gr\u00e9e telle quelle au sein de pipelines de production industrielle ou de biblioth\u00e8ques logicielles destin\u00e9es \u00e0 la recherche sans \u00eatre blind\u00e9e au pr\u00e9alable par des assertions de dimensionnalit\u00e9 strictes.\n<\/p>\n \nPour contourner les fragilit\u00e9s inh\u00e9rentes aux op\u00e9rations arithm\u00e9tiques primitives, l’environnement de base du langage R int\u00e8gre une fonction statistique sp\u00e9cifiquement d\u00e9di\u00e9e aux calculs de valeurs centrales pond\u00e9r\u00e9es : la fonction weighted.mean()<\/em>. Sa signature formelle s’articule autour des arguments essentiels suivants :\n<\/p>\n \nweighted.mean(x, w, na.rm = FALSE)\n<\/p>\n \nDans cette formulation, l’argument x<\/em> re\u00e7oit le vecteur des r\u00e9alisations discr\u00e8tes du support, tandis que l’argument w<\/em> accueille le vecteur des facteurs de pond\u00e9ration (les poids, d’o\u00f9 la lettre w<\/em> pour weights<\/em>).\n<\/p>\n \nD’un point de vue conceptuel et statistique, il existe une stricte \u00e9quivalence formelle entre la pond\u00e9ration par des poids d’\u00e9chantillonnage empiriques et la pond\u00e9ration par des masses de probabilit\u00e9 th\u00e9oriques. L’algorithme interne de la fonction calcule le ratio standardis\u00e9 :\n<\/p>\n \nweighted.mean = ∑(xi<\/sub> × wi<\/sub>) \/ ∑(wi<\/sub>)<\/strong>\n<\/p>\n \nCette structure alg\u00e9brique conf\u00e8re \u00e0 weighted.mean()<\/em> un avantage fondamental par rapport \u00e0 la m\u00e9thode de sommation simple : la normalisation automatique int\u00e9gr\u00e9e des poids. Lorsque le vecteur des probabilit\u00e9s pr\u00e9sente une l\u00e9g\u00e8re anomalie d’arrondi num\u00e9rique machine (par exemple une somme totale s’\u00e9levant \u00e0 0.999999999999999 au lieu de 1 exact), la division explicite par la somme r\u00e9elle des pond\u00e9rations r\u00e9tablit spontan\u00e9ment l’\u00e9chelle unitaire, \u00e9vitant ainsi l’introduction d’un biais computationnel infinit\u00e9simal lors de l’estimation de l’esp\u00e9rance.\n<\/p>\n \nPour mesurer l’efficacit\u00e9 pratique de weighted.mean()<\/em>, appliquons-la \u00e0 l’\u00e9talonnage psychom\u00e9trique d’un item extrait d’un inventaire d’\u00e9valuation de la charge cognitive ressentie lors d’une t\u00e2che de m\u00e9moire de travail. Les participants formulent leur r\u00e9ponse sur une \u00e9chelle ordinale de type Likert en cinq points discr\u00e9tis\u00e9s, allant de 1 (\u00ab\u00a0Charge cognitive nulle\u00a0\u00bb) \u00e0 5 (\u00ab\u00a0Charge cognitive maximale\u00a0\u00bb) :\n<\/p>\n \nreponses_likert <- c(1, 2, 3, 4, 5) \nL’invocation directe de la fonction statistique standard s’op\u00e8re avec une parcimonie syntaxique remarquable :\n<\/p>\n \nesperance_charge <- weighted.mean(x = reponses_likert, w = densite_probabilites)\n<\/p>\n \nLe r\u00e9sultat renvoy\u00e9 est exactement 3.02. Cette \u00e9criture pr\u00e9sente une lisibilit\u00e9 sup\u00e9rieure dans les scripts scientifiques collaboratifs, car le nom de la fonction explicite sans ambigu\u00eft\u00e9 la nature de l’op\u00e9ration statistique entreprise pour n’importe quel analyste tiers ou r\u00e9viseur d’article acad\u00e9mique. De surcro\u00eet, le moteur C sous-jacent \u00e0 weighted.mean()<\/em> ex\u00e9cute en un seul passage optimis\u00e9 le calcul de la somme des produits et la somme des coefficients de pond\u00e9ration, garantissant une robustesse math\u00e9matique irr\u00e9prochable face aux \u00e9ventuelles fluctuations de calibrage des masses de probabilit\u00e9.\n<\/p>\n \nDans les \u00e9tudes de psychologie exp\u00e9rimentale et les enqu\u00eates \u00e9pid\u00e9miologiques de terrain, l’alt\u00e9ration des s\u00e9ries de donn\u00e9es par des valeurs manquantes (cod\u00e9es sous le marqueur logique NA<\/em> pour Not Available<\/em>) repr\u00e9sente une occurrence quasi in\u00e9vitable. Si le vecteur des r\u00e9alisations ou celui des probabilit\u00e9s contient une seule entr\u00e9e manquante, le calcul \u00e9l\u00e9mentaire par sum()<\/em> s’interrompt brutalement en renvoyant irr\u00e9m\u00e9diablement la valeur NA<\/em>, paralysant l’ensemble de la cha\u00eene de calculs statistiques.\n<\/p>\n \nLa fonction weighted.mean()<\/em> r\u00e9pond nativement \u00e0 cette contrainte gr\u00e2ce \u00e0 son param\u00e8tre logique optionnel na.rm<\/em> (valant FALSE<\/em> par d\u00e9faut). Lorsque le mod\u00e9lisateur configure explicitement na.rm = TRUE<\/em>, la fonction isole et \u00e9limine conjointement les paires de coordonn\u00e9es (xi<\/sub>, wi<\/sub>)<\/em> pour lesquelles l’une au moins des valeurs pr\u00e9sente un marqueur NA<\/em> ou une ind\u00e9termination num\u00e9rique NaN<\/em> (Not a Number<\/em>) :\n<\/p>\n \nvals_corrompues <- c(1, 2, NA, 4, 5) \nN\u00e9anmoins, sur le plan strict de la th\u00e9orie probabiliste, l’activation de na.rm = TRUE<\/em> induit des implications \u00e9pist\u00e9mologiques majeures que l’analyste doit assumer. En supprimant un \u00e9tat probabiliste du support sans le compenser, la fonction op\u00e8re une repond\u00e9ration automatique implicite sur les \u00e9tats restants en vertu de sa division interne par ∑ wi<\/sub><\/em>. Dans notre exemple, les \u00e9tats {1, 2, 4, 5} dont la masse cumul\u00e9e originelle valait 0.60 sont artificiellement r\u00e9\u00e9valu\u00e9s pour repr\u00e9senter 100% de la loi de probabilit\u00e9 conditionnelle. Si l’\u00e9tat manquant n’est pas \u00ab\u00a0manquant de mani\u00e8re totalement al\u00e9atoire\u00a0\u00bb (Missing Completely at Random – MCAR<\/a>), cette normalisation m\u00e9canique engendre un biais de s\u00e9lection substantiel sur l’esp\u00e9rance calcul\u00e9e. Les protocoles exp\u00e9rimentaux avanc\u00e9s pr\u00e9f\u00e9reront donc des proc\u00e9dures d’imputation multiple rigoureuses en amont du calcul de l’esp\u00e9rance.\n<\/p>\n \nUne approche computationnelle d’une remarquable \u00e9l\u00e9gance formelle pour l’\u00e9valuation de l’esp\u00e9rance discr\u00e8te consiste \u00e0 mobiliser l’arsenal th\u00e9orique et op\u00e9rationnel de l’alg\u00e8bre lin\u00e9aire. Dans les espaces vectoriels pr\u00e9hilbertiens de dimension finie K<\/em>, l’esp\u00e9rance math\u00e9matique d’une variable al\u00e9atoire discr\u00e8te correspond g\u00e9om\u00e9triquement et fonctionnellement au produit scalaire usuel entre le vecteur des \u00e9tats du support et le vecteur de la mesure probabiliste.\n<\/p>\n \nSous R, l’op\u00e9rateur arithm\u00e9tique *<\/em> effectue une multiplication terme \u00e0 terme (dite produit de Hadamard). Pour ordonner au syst\u00e8me d’ex\u00e9cuter un v\u00e9ritable produit matriciel, on recourt \u00e0 l’op\u00e9rateur d\u00e9di\u00e9 %*%<\/em>. Dans ce formalisme matriciel, le vecteur des r\u00e9alisations discr\u00e8tes vals<\/em> est conceptualis\u00e9 comme une matrice ligne de dimensions 1 × K<\/em> (not\u00e9e formellement VT<\/sup><\/em>), tandis que le vecteur des probabilit\u00e9s probs<\/em> est interpr\u00e9t\u00e9 comme une matrice colonne de dimensions K<\/em> × 1 (not\u00e9e P<\/em>) :\n<\/p>\n \nE[X] = VT<\/sup> × P = [x1<\/sub>, x2<\/sub>, …, xK<\/sub>] × [p1<\/sub>, p2<\/sub>, …, pK<\/sub>]T<\/sup> = ∑ (xi<\/sub> × pi<\/sub>)<\/strong>\n<\/p>\n \nLorsque l’op\u00e9rateur %*%<\/em> est appliqu\u00e9 \u00e0 deux vecteurs unidimensionnels simples sous R, l’interpr\u00e9teur g\u00e8re de mani\u00e8re automatique et transparente l’alignement des dimensions pour r\u00e9aliser ce produit interne d’ordre un. Le r\u00e9sultat g\u00e9n\u00e9r\u00e9 par cette instruction n’est toutefois pas un simple scalaire primitif, mais un objet de classe matrix<\/em> dot\u00e9 de dimensions fixes 1 × 1. Pour r\u00e9injecter cette quantit\u00e9 dans des flux de calcul vectoriels standard, une conversion de type finale via la fonction c()<\/em> ou as.numeric()<\/em> est formellement requise :\n<\/p>\n \nesperance_matricielle <- as.numeric(vals %*% probs)\n<\/p>\n \nAppliquons sans tarder cette m\u00e9canique d’alg\u00e8bre lin\u00e9aire \u00e0 notre ensemble de donn\u00e9es de r\u00e9f\u00e9rence portant sur la distribution du nombre de buts marqu\u00e9s :\n<\/p>\n \nvals <- c(0, 1, 2, 3, 4) \nAvant d’engager les op\u00e9rations arithm\u00e9tiques en m\u00e9moire, l’op\u00e9rateur matriciel valide automatiquement la conformit\u00e9 dimensionnelle stricte de ses op\u00e9randes. Contrairement \u00e0 la fonction \u00e9l\u00e9mentaire sum(vals * probs)<\/em> qui peut succomber aux d\u00e9rives du recyclage implicite, l’op\u00e9rateur %*%<\/em> rejette cat\u00e9goriquement les vecteurs dont les dimensions internes divergent et l\u00e8ve une exception bloquante non \u00e9quivoque : \u00ab\u00a0Error in vals %*% probs : non-conformable arguments\u00a0\u00bb<\/em>.\n<\/p>\n \nL’\u00e9valuation num\u00e9rique produit un r\u00e9sultat strictement \u00e9gal \u00e0 1.45, confirmant une convergence exacte avec les approches vectorielles et statistiques examin\u00e9es ant\u00e9rieurement. L’int\u00e9r\u00eat fondamental de cette syntaxe se manifeste d\u00e8s lors que l’on bascule d’une variable univari\u00e9e \u00e0 un syst\u00e8me multivari\u00e9 complexe. Si nous disposons d’une matrice N × K<\/em> regroupant plusieurs variables comportementales \u00e9valu\u00e9es sur le m\u00eame support d’\u00e9tats, une simple multiplication matricielle par le vecteur de probabilit\u00e9s K × 1<\/em> calcule instantan\u00e9ment le vecteur de toutes les esp\u00e9rances th\u00e9oriques conjointes sans n\u00e9cessiter la moindre boucle ou it\u00e9ration programmatique :\n<\/p>\n \nvecteur_esperances <- matrice_valeurs %*% probs\n<\/p>\n \nL’adoption de l’alg\u00e8bre matricielle pour le calcul de l’esp\u00e9rance r\u00e9v\u00e8le toute sa puissance op\u00e9rationnelle au c\u0153ur des architectures d’apprentissage machine et des mod\u00e8les dynamiques d’agents en neurosciences computationnelles. L’op\u00e9rateur %*%<\/em> de R ne constitue pas une simple fonction de commodit\u00e9 r\u00e9dig\u00e9e en langage de haut niveau ; il est directement interfac\u00e9 avec les biblioth\u00e8ques de sous-programmes d’alg\u00e8bre lin\u00e9aire hautement optimis\u00e9es et multithread\u00e9es int\u00e9gr\u00e9es au syst\u00e8me d’exploitation, telles que BLAS<\/a> (Basic Linear Algebra Subprograms<\/em>) et LAPACK<\/a> (Linear Algebra Package<\/em>).\n<\/p>\n \nCes biblioth\u00e8ques tirent profit des registres vectoriels des processeurs contemporains (instructions mat\u00e9rielles AVX, SSE) pour ex\u00e9cuter des calculs matriciels en parall\u00e8le au niveau mat\u00e9riel. Dans l’analyse comportementale de cha\u00eenes de Markov \u00e0 temps discret mod\u00e9lisant la prise de d\u00e9cision s\u00e9quentielle, l’\u00e9tat probabiliste du sujet \u00e0 l’instant t + 1<\/em> est dict\u00e9 par la mise \u00e0 jour de son vecteur de probabilit\u00e9s via une matrice stochastique de transition T<\/em>. Le calcul r\u00e9current des esp\u00e9rances de r\u00e9tribution cognitive ou de r\u00e9compense conditionnelle s’effectue alors via des formulations matricielles imbriqu\u00e9es de type Rt+1<\/sub> = VT<\/sup> × T × Pt<\/sub><\/em>.\n<\/p>\n \nDans ce contexte math\u00e9matique pouss\u00e9, la pr\u00e9servation de la notation matricielle garantit non seulement une vitesse d’ex\u00e9cution optimale sur des espaces d’\u00e9tats massifs comprenant des millions d’it\u00e9rations stochastiques, mais maintient \u00e9galement un isomorphisme parfait entre les publications d’\u00e9quations th\u00e9oriques et leur concr\u00e9tisation logicielle sous R.\n<\/p>\n \nLe choix d’une solution technique pour impl\u00e9menter un calcul d’esp\u00e9rance math\u00e9matique ne doit pas uniquement d\u00e9pendre de son exactitude formelle ; il doit \u00e9galement int\u00e9grer les standards de l’ing\u00e9nierie logicielle durable, notamment la lisibilit\u00e9 cognitive, l’expressivit\u00e9 conceptuelle et le co\u00fbt de maintenance \u00e0 long terme au sein des \u00e9quipes de recherche. Trois paradigmes syntaxiques distincts ont \u00e9t\u00e9 pr\u00e9sent\u00e9s : la sommation vectoris\u00e9e simple sum(vals * probs)<\/em>, la fonction statistique standard weighted.mean(vals, probs)<\/em> et le produit scalaire matriciel as.numeric(vals %*% probs)<\/em>.\n<\/p>\n \nD’apr\u00e8s le guide de style officiel du Tidyverse \u00e9tabli par Hadley Wickham, le code doit exprimer de mani\u00e8re explicite l’intention statistique sous-jacente plut\u00f4t que les m\u00e9canismes d’ex\u00e9cution bas niveau. Sous cet angle qualitatif, la fonction weighted.mean()<\/em> se positionne au sommet de la hi\u00e9rarchie logicielle. Elle \u00e9limine toute ambigu\u00eft\u00e9 sur la nature de l’op\u00e9ration et abrite nativement des m\u00e9canismes de s\u00e9curisation (tels que la gestion des donn\u00e9es manquantes et la normalisation des poids) qui exigeraient l’\u00e9criture de multiples lignes de validation manuelle si l’on recourait aux op\u00e9rateurs primitifs.\n<\/p>\n \n\u00c0 l’oppos\u00e9, l’op\u00e9rateur matriciel %*%<\/em>, bien que pl\u00e9biscit\u00e9 par les math\u00e9maticiens pour sa concision structurelle, impose une charge cognitive non n\u00e9gligeable aux chercheurs form\u00e9s aux sciences de la vie ou \u00e0 la psychologie g\u00e9n\u00e9rale qui ne poss\u00e8dent pas d’ancrage approfondi en alg\u00e8bre lin\u00e9aire. Sa sortie matricielle r\u00e9siduelle 1 × 1 contraint de surcro\u00eet l’analyste \u00e0 des op\u00e9rations d’encapsulation via c()<\/em> ou as.numeric()<\/em>, alourdissant artificiellement la grammaire du script. Le calcul \u00e9l\u00e9mentaire sum()<\/em> pr\u00e9serve quant \u00e0 lui une transparence didactique totale pour les n\u00e9ophytes, mais demeure intrins\u00e8quement expos\u00e9 aux erreurs silencieuses provoqu\u00e9es par le recyclage vectoriel.\n<\/p>\n \nAfin d’\u00e9valuer scientifiquement les propri\u00e9t\u00e9s temporelles de chacune des trois approches computationnelles, nous mettons en place un protocole d’\u00e9talonnage rigoureux \u00e0 l’aide du paquet statistique sp\u00e9cialis\u00e9 microbenchmark<\/em>. Cet outil ex\u00e9cute chaque directive un nombre d\u00e9termin\u00e9 de fois (par d\u00e9faut 100 it\u00e9rations), mesure le temps de traitement avec une granularit\u00e9 chronom\u00e9trique \u00e0 l’\u00e9chelle de la nanoseconde, et d\u00e9livre des indicateurs de dispersion pr\u00e9cis (m\u00e9diane, quartiles, moyennes) \u00e9pur\u00e9s des interf\u00e9rences du syst\u00e8me d’exploitation et du ramasse-miettes (Garbage Collector<\/em>) de R.\n<\/p>\n \nLe protocole exp\u00e9rimental \u00e9value deux configurations distinctes : un premier sc\u00e9nario d’\u00e9chelle microscopique repr\u00e9sentatif des t\u00e2ches usuelles de laboratoire (vecteurs discrets courts de dimension K<\/em> = 5) et un second sc\u00e9nario de mont\u00e9e en charge massive (vecteurs synth\u00e9tiques de dimension K<\/em> = 1 000 000). Le bloc de profilage est configur\u00e9 comme suit :\n<\/p>\n \nlibrary(microbenchmark) v_massif <- runif(1000000) benchmark_court <- microbenchmark( \nL’examen des r\u00e9sultats chronom\u00e9triques sur petits vecteurs r\u00e9v\u00e8le que l’approche arithm\u00e9tique sum(v * p)<\/em> s’av\u00e8re syst\u00e9matiquement la plus rapide, avec un temps m\u00e9dian de r\u00e9ponse oscillant autour de 300 \u00e0 450 nanosecondes. L’approche matricielle %*%<\/em> suit de tr\u00e8s pr\u00e8s avec un d\u00e9calage marginal attribuable au transtypage matriciel. En revanche, weighted.mean()<\/em> accuse un temps d’ex\u00e9cution sup\u00e9rieur (g\u00e9n\u00e9ralement entre 3 000 et 4 500 nanosecondes), soit un surco\u00fbt temporel d’un facteur 10. Cet \u00e9cart ne r\u00e9sulte pas d’une inefficacit\u00e9 arithm\u00e9tique, mais du co\u00fbt computationnel incompressible (overhead<\/em>) induit par la v\u00e9rification pr\u00e9liminaire des arguments formels, l’\u00e9valuation interne de la somme des poids et le contr\u00f4le de l’argument na.rm<\/em>.\n<\/p>\n \nCependant, lors du basculement sur le vecteur massif de dimension un million, la hi\u00e9rarchie temporelle subit une restructuration profonde. Les surco\u00fbts d’\u00e9valuation de la fonction R s’estompent proportionnellement au temps requis pour traverser les grands tableaux en m\u00e9moire. L’approche matricielle adoss\u00e9e aux sous-programmes multithread\u00e9s BLAS d\u00e9montre alors sa superbe capacit\u00e9 de vectorisation mat\u00e9rielle, distan\u00e7ant fr\u00e9quemment les boucles internes de la multiplication scalaire standard et traitant les millions d’\u00e9l\u00e9ments en quelques millisecondes seulement.\n<\/p>\n \nAu-del\u00e0 de la vitesse pure d’ex\u00e9cution, la robustesse statistique d’un calcul exige une analyse critique de la r\u00e9silience num\u00e9rique et de la propagation des erreurs d’arrondi. Les ordinateurs contemporains ne manipulent pas le corps infini des nombres r\u00e9els math\u00e9matiques, mais une approximation discr\u00e9tis\u00e9e r\u00e9gie par la norme internationale IEEE 754<\/a> pour l’arithm\u00e9tique en virgule flottante \u00e0 double pr\u00e9cision. Dans ce format technique, une fraction d\u00e9cimale simple telle que 0.1 ne peut pas \u00eatre encod\u00e9e de mani\u00e8re exactement finie en base binaire, engendrant un r\u00e9sidu de quantification de l’ordre de 10-17<\/sup>.\n<\/p>\n \nDans l’approche arithm\u00e9tique \u00e9l\u00e9mentaire sum(vals * probs)<\/em>, l’algorithme proc\u00e8de \u00e0 une sommation s\u00e9quentielle de gauche \u00e0 droite. Si le vecteur est \u00e9tendu et comporte une juxtaposition de termes d’ordres de grandeur immens\u00e9ment dissemblables (par exemple l’accumulation de probabilit\u00e9s minuscules de 10-12<\/sup> avec des valeurs discr\u00e8tes majeures de 108<\/sup>), l’addition s\u00e9quentielle s’expose au ph\u00e9nom\u00e8ne d’absorption et d’annulation catastrophique : les incr\u00e9ments de faible magnitude tombent sous le seuil de pr\u00e9cision des registres du processeur et sont irr\u00e9m\u00e9diablement effac\u00e9s du total cumul\u00e9.\n<\/p>\n \n\u00c0 l’inverse, l’impl\u00e9mentation interne de weighted.mean()<\/em> b\u00e9n\u00e9ficie d’algorithmes de sommation compens\u00e9e sophistiqu\u00e9s dans son code C sous-jacent (souvent apparent\u00e9s \u00e0 l’algorithme de sommation de Kahan ou \u00e0 des sommations par paires arborescentes). De plus, en r\u00e9\u00e9valuant syst\u00e9matiquement le quotient par la sommation empirique des poids ∑ wi<\/sub><\/em>, elle compense dynamiquement les d\u00e9rives de normalisation r\u00e9sultant des impr\u00e9cisions binaires. Cette caract\u00e9ristique technique assure une stabilit\u00e9 remarquable du calcul de l’esp\u00e9rance, faisant de weighted.mean()<\/em> le choix par excellence d\u00e8s lors que les distributions probabilistes trait\u00e9es int\u00e8grent des amplitudes extr\u00eames ou des r\u00e9gimes de queues lourdes.\n<\/p>\n \nDans la pratique quotidienne des sciences empiriques, l’analyste de donn\u00e9es ne re\u00e7oit que tr\u00e8s rarement une loi de probabilit\u00e9 th\u00e9orique pr\u00e9alablement formul\u00e9e et normalis\u00e9e sur une feuille de calcul. La situation concr\u00e8te la plus fr\u00e9quente consiste \u00e0 recueillir un \u00e9chantillon d’observations brutes r\u00e9sultant de protocoles psychologiques ou biom\u00e9dicaux, dont il s’agit d’extraire la distribution empirique afin d’en quantifier la tendance centrale th\u00e9orique attendue selon le principe du maximum de vraisemblance.\n<\/p>\n \nPour orchestrer cette transition conceptuelle sous R, la premi\u00e8re \u00e9tape repose sur la g\u00e9n\u00e9ration d’une table de contingence unidimensionnelle via la fonction fondamentale table()<\/em>. Cette fonction scanne le vecteur d’observations et proc\u00e8de au d\u00e9nombrement exhaustif des effectifs associ\u00e9s \u00e0 chaque r\u00e9alisation unique. Dans un second temps, cette matrice de fr\u00e9quences brutes doit \u00eatre convertie en une distribution de fr\u00e9quences relatives normalis\u00e9es, lesquelles tiennent lieu d’estimateurs ponctuels des masses de probabilit\u00e9s P(X = x)<\/em>. La commande prop.table()<\/em> r\u00e9alise pr\u00e9cis\u00e9ment cette conversion en divisant chaque effectif cellulaire par la taille totale de l’\u00e9chantillon observ\u00e9 :\n<\/p>\n \nechantillon_brut <- c(1, 2, 2, 3, 1, 2, 4, 3, 2, 1, 5, 2, 3, 3, 2) \nL’objet produit par prop.table()<\/em> conserve une structure tabulaire particuli\u00e8re : les probabilit\u00e9s empiriques correspondent aux valeurs internes de l’objet, tandis que les r\u00e9alisations correspondantes du support discret ne sont pas stock\u00e9es sous forme de nombres ordinaires, mais sont converties sous forme d’\u00e9tiquettes textuelles encapsul\u00e9es dans l’attribut names<\/em> de la table de contingence.\n<\/p>\n \nL’extraction et le traitement computationnel de ces tables de fr\u00e9quences exigent une manipulation m\u00e9thodique afin de pr\u00e9venir tout \u00e9cueil de typage de donn\u00e9es. Pour reconstituer le vecteur num\u00e9rique des r\u00e9alisations discr\u00e8tes du support, il est formellement requis d’extraire l’attribut nominal de la table via la fonction names()<\/em>, puis d’op\u00e9rer une coercion explicite vers le type num\u00e9rique standard \u00e0 l’aide de la fonction as.numeric()<\/em> :\n<\/p>\n \netats_discrets <- as.numeric(names(table_probabilites)) \nD\u00e8s lors que ces deux vecteurs num\u00e9riques sont isol\u00e9s et align\u00e9s, le calcul de l’esp\u00e9rance math\u00e9matique de la distribution empirique peut \u00eatre conduit sans la moindre ambigu\u00eft\u00e9 \u00e0 travers notre fonction robuste :\n<\/p>\n \nesperance_empirique <- weighted.mean(x = etats_discrets, w = masses_prob)\n<\/p>\n \nConsid\u00e9rons une mise en situation exp\u00e9rimentale compl\u00e8te en psychologie de l’apprentissage : nous enregistrons le nombre d’essais pr\u00e9liminaires n\u00e9cessaires \u00e0 une cohorte de cinquante participants avant de parvenir \u00e0 la r\u00e9solution spontan\u00e9e d’un probl\u00e8me d’apprentissage par perspicacit\u00e9 (insight learning<\/em>) :\n<\/p>\n \nset.seed(42) tab_prop <- prop.table(table(essais_observes)) esperance_resol <- sum(valeurs_support * probabilites_associees) \nLa confrontation syst\u00e9matique de la valeur d’esp\u00e9rance th\u00e9orique ainsi d\u00e9riv\u00e9e de la table (esperance_resol<\/em>) avec la moyenne arithm\u00e9tique simple de la s\u00e9rie brute (moyenne_directe<\/em>) d\u00e9montre une \u00e9quivalence num\u00e9rique parfaite jusqu’\u00e0 la quatorzi\u00e8me d\u00e9cimale. Cette concordance op\u00e9rationnelle illustre avec \u00e9clat l’unit\u00e9 math\u00e9matique profonde reliant la m\u00e9thode des fr\u00e9quences empiriques relatives \u00e0 la formule axiomatique de Kolmogorov, fournissant un pipeline enti\u00e8rement automatisable pour les rapports d’exp\u00e9rimentation scientifique.\n<\/p>\n \nLorsque l’on bascule des variables al\u00e9atoires discr\u00e8tes vers les variables al\u00e9atoires continues, le support math\u00e9matique S<\/em> cesse d’\u00eatre une collection d\u00e9nombrable d’\u00e9tats distincts pour devenir un continuum non d\u00e9nombrable de valeurs r\u00e9elles s’\u00e9tendant sur un intervalle born\u00e9 ou sur l’ensemble de la droite r\u00e9elle. Dans cette configuration g\u00e9om\u00e9trique, la probabilit\u00e9 ponctuelle exacte associ\u00e9e \u00e0 n’importe quelle r\u00e9alisation isol\u00e9e est strictement nulle : P(X = x) = 0<\/em>. La description stochastique du syst\u00e8me ne s’op\u00e8re plus par une masse de probabilit\u00e9, mais par une fonction de densit\u00e9 de probabilit\u00e9<\/a>, universellement not\u00e9e f(x)<\/em>.\n<\/p>\n \nEn vertu de cette transformation de la nature de la variable, la sommation discr\u00e8te c\u00e8de formellement la place \u00e0 l’op\u00e9rateur de sommation continue sous forme d’int\u00e9grale de Riemann ou d’int\u00e9grale de Lebesgue :\n<\/p>\n \nE[X] = ∫-∞<\/sub>+∞<\/sup> [x × f(x)] dx<\/strong>\n<\/p>\n \nLe calcul analytique symbolique d’une telle int\u00e9grale s’av\u00e8re fr\u00e9quemment inaccessible pour des distributions empiriques ou complexes. Dans l’\u00e9cosyst\u00e8me R, la r\u00e9solution de cette formulation continue s’appuie sur des m\u00e9thodes d’int\u00e9gration num\u00e9rique adaptative. L’outil fondamental d\u00e9di\u00e9 \u00e0 cette t\u00e2che est la fonction native integrate()<\/em>. Cette derni\u00e8re impl\u00e9mente des algorithmes de quadrature de Gauss-Kronrod \u00e0 maillage adaptatif issus de la v\u00e9n\u00e9rable biblioth\u00e8que Fortran QUADPACK<\/a>, permettant d’\u00e9valuer avec une pr\u00e9cision exceptionnelle des int\u00e9grales d\u00e9finies sur des bornes finies ou infinies.\n<\/p>\n \nLa mise en \u0153uvre computationnelle de l’int\u00e9gration continue sous R requiert la d\u00e9claration explicite d’une fonction math\u00e9matique vectoris\u00e9e repr\u00e9sentant l’int\u00e9grande, c’est-\u00e0-dire le produit de la r\u00e9alisation x<\/em> par son ordonn\u00e9e de densit\u00e9 f(x)<\/em>. Illustrons cette proc\u00e9dure en estimant l’esp\u00e9rance th\u00e9orique d’une variable al\u00e9atoire continue distribu\u00e9e selon une loi normale de param\u00e8tres μ = 100 et σ = 15, distribution standard caract\u00e9risant les \u00e9chelles de quotients intellectuels :\n<\/p>\n \nintegrande_normale <- function(x, moyenne = 100, ecart_type = 15) { resultat_integration <- integrate( \nL’affichage de l’objet produit par integrate()<\/em> renvoie une structure composite contenant non seulement la valeur estim\u00e9e de l’int\u00e9grale (100 avec une valeur exacte), mais \u00e9galement une estimation rigoureuse de l’erreur absolue r\u00e9siduelle (inf\u00e9rieure \u00e0 10-5<\/sup>) ainsi qu’un code d’arr\u00eat attestant de la convergence de l’algorithme :\n<\/p>\n \nesperance_continue <- resultat_integration$value\n<\/p>\n \nAppliquons d\u00e9sormais cette technique \u00e0 la loi exponentielle de param\u00e8tre d’\u00e9chelle λ = 0.5, traditionnellement sollicit\u00e9e pour mod\u00e9liser les temps d’attente neuronaux ou la survie de traces m\u00e9morielles. Le support continu \u00e9tant restreint aux r\u00e9els strictement positifs, la borne inf\u00e9rieure d’int\u00e9gration est cal\u00e9e sur z\u00e9ro :\n<\/p>\n \nintegrande_expo <- function(x, lambda = 0.5) { resultat_expo <- integrate(integrande_expo, lower = 0, upper = Inf, lambda = 0.5) \nLe r\u00e9sultat obtenu est \u00e9gal \u00e0 2.00, ce qui concorde avec une exactitude totale avec la formule analytique th\u00e9orique E[X] = 1 \/ λ = 1 \/ 0.5 = 2<\/em>.\n<\/p>\n1.2 L’esp\u00e9rance math\u00e9matique dans l’analyse comportementale et cognitive<\/h3>\n
1.3 Conditions d’application et contraintes axiomatiques de Kolmogorov<\/h3>\n
2. Configuration de l’environnement R et structure des objets de donn\u00e9es<\/h2>\n
2.1 Initialisation des vecteurs de valeurs et de probabilit\u00e9s sous R<\/h3>\n
\nprobs <- c(0.18, 0.34, 0.35, 0.11, 0.02)
\ntypeof(vals)
\nis.numeric(probs)\n<\/p>\n2.2 Contr\u00f4le d’int\u00e9grit\u00e9 et validation programmatique des donn\u00e9es<\/h3>\n
\nall(probs >= 0 & probs <= 1)
\nisTRUE(all.equal(sum(probs), 1))\n<\/p>\n3. M\u00e9thode 1 : Calcul par vectorisation arithm\u00e9tique \u00e9l\u00e9mentaire avec sum()<\/h2>\n
3.1 M\u00e9canisme interne du produit \u00e9l\u00e9ment par \u00e9l\u00e9ment sous R<\/h3>\n
3.2 Exemple pratique pas \u00e0 pas : Distribution discr\u00e8te du nombre de buts<\/h3>\n
\nesperance_buts <- sum(contributions)\n<\/p>\n3.3 Avantages didactiques et limites de l’approche \u00e9l\u00e9mentaire<\/h3>\n
4. M\u00e9thode 2 : Impl\u00e9mentation via la fonction statistique standard weighted.mean()<\/h2>\n
4.1 Fonctionnement conceptuel et syntaxique de weighted.mean()<\/h3>\n
4.2 Application concr\u00e8te sur des donn\u00e9es psychom\u00e9triques discr\u00e8tes<\/h3>\n
\ndensite_probabilites <- c(0.08, 0.22, 0.40, 0.20, 0.10)\n<\/p>\n4.3 Gestion native des valeurs manquantes et options d’imputation<\/h3>\n
\nprobs_partielles <- c(0.1, 0.2, 0.4, 0.2, 0.1)
\nesperance_purgee <- weighted.mean(vals_corrompues, probs_partielles, na.rm = TRUE)\n<\/p>\n5. M\u00e9thode 3 : Approche par l’alg\u00e8bre matricielle avec le produit tensoriel %*%<\/h2>\n
5.1 Fondements de la multiplication matricielle et produit scalaire sous R<\/h3>\n
5.2 Ex\u00e9cution de la m\u00e9thode matricielle sur l’exemple de r\u00e9f\u00e9rence<\/h3>\n
\nprobs <- c(0.18, 0.34, 0.35, 0.11, 0.02)
\nproduit_scalaire <- vals %*% probs
\nesperance_matricielle <- c(produit_scalaire)\n<\/p>\n5.3 Pertinence computationnelle dans les mod\u00e8les d’apprentissage et de simulation<\/h3>\n
6. \u00c9tude comparative : Pr\u00e9cision, lisibilit\u00e9 et performance computationnelle<\/h2>\n
6.1 Analyse comparative du code : Lisibilit\u00e9 et maintenance logicielle<\/h3>\n
6.2 Benchmarking temporel des trois approches avec microbenchmark<\/h3>\n
\nv_court <- c(0, 1, 2, 3, 4)
\np_court <- c(0.18, 0.34, 0.35, 0.11, 0.02)<\/p>\n
\np_massif <- rep(1\/1000000, 1000000)<\/p>\n
\n arithmetique = sum(v_court * p_court),
\n statistique = weighted.mean(v_court, p_court),
\n matriciel = as.numeric(v_court %*% p_court),
\n times = 1000
\n)\n<\/p>\n6.3 R\u00e9silience num\u00e9rique et gestion de la pr\u00e9cision flottante<\/h3>\n
7. Extraction et calcul de l’esp\u00e9rance \u00e0 partir de tables empiriques de fr\u00e9quences<\/h2>\n
7.1 Conversion d’\u00e9chantillons d’observations en distributions de probabilit\u00e9s<\/h3>\n
\ntable_frequences <- table(echantillon_brut)
\ntable_probabilites <- prop.table(table_frequences)\n<\/p>\n7.2 Automatisation compl\u00e8te du calcul sur donn\u00e9es exp\u00e9rimentales<\/h3>\n
\nmasses_prob <- as.numeric(table_probabilites)\n<\/p>\n
\nessais_observes <- rpois(n = 50, lambda = 2.8) + 1<\/p>\n
\nvaleurs_support <- as.numeric(names(tab_prop))
\nprobabilites_associees <- as.vector(tab_prop)<\/p>\n
\nmoyenne_directe <- mean(essais_observes)\n<\/p>\n8. Calcul de l’esp\u00e9rance pour les variables al\u00e9atoires continues sous R<\/h2>\n
8.1 Transition conceptuelle du discret au continu : L’int\u00e9gration num\u00e9rique<\/h3>\n
8.2 Exemple d’int\u00e9gration avec les lois normale et exponentielle<\/h3>\n
\n x * dnorm(x, mean = moyenne, sd = ecart_type)
\n}<\/p>\n
\n f = integrande_normale,
\n lower = -Inf,
\n upper = Inf,
\n moyenne = 100,
\n ecart_type = 15
\n)\n<\/p>\n
\n x * dexp(x, rate = lambda)
\n}<\/p>\n
\nresultat_expo$value\n<\/p>\n8.3 Limites de l’int\u00e9gration num\u00e9rique et divergence th\u00e9orique<\/h3>\n