Chapitre 2 :

Eléments d’analyse de la décision : Décision dans le risque

1 - Analyse des Décisions

2 - Décisions sous incertitude

3 - Décisions dans le risque

4 - Arbre de décision

1
Analyse des décisions

Pour quoi l’analyse des décisions ?

L’analyse des décisions a pour but de fournir au gestionnaire des

modèles l’aidant à prendre des décisions rationnelles. Outre l’impact
de ses choix, ce dernier doit en général tenir compte de composantes
indépendantes de sa volonté. Nous qualifions d’état de la nature les
différentes configurations auxquelles il peut être confronté.

2
Analyse des décisions

Il existe trois types de modèles de décision en fonction de l'environnement.

•Les modèles de décision dans un contexte déterministe font référence à des

décisions prises alors que l'état de la nature est connu avec certitude. Un seul
scénario est alors envisagé; ce type de problèmes ne nous intéressera pas ici.

•Les modèles de décision avec risque interviennent lorsque le décideur se voit

confronté à plusieurs scénarios possibles mais connaît la probabilité que chacun
des scénarios se réalise.

•Les modèles de décision sous incertitude sont utilisés lorsque le décideur se voit
confronté à plusieurs scénarios et ne dispose d'aucune information sur les chances
qu'un ou l'autre des scénarios se réalise. 3
Analyse des décisions

En fait il y a 2 écoles de pensée :

• l’école « bayésienne » (du nom de Bayes), fondée par De Finetti et Savage,

qui soutient que :
« tout décideur rationnel doit se comporter comme si tous les événements avaient
des probabilités, celles-ci pouvant varier d’une personne à l’autre » d’où leur
dénomination de “probabilités subjectives ”

• L’école « non-bayésienne » (plus statistique) considère les situations de

risque comme un cas particulier des situations d’incertitude : c’est le
comportement du décideur qui permet de reconnaître s’il attribue des probabilités
aux événements et, si oui, quelles sont leurs valeurs.

4
Décision sous incertitude

5
Décision sous incertitude

Définition

Les problèmes de décisions statiques se représentent généralement par une table

faisant intervenir d'une part les différents états de la nature envisagés et d'autre
part les décisions possibles. À chaque paire état de la nature / décision est associée
une valeur représentant l'espérance de gain (ou coût) associée à cette situation.

Si les décisions sont représentées sur les lignes et les états de la nature sur les
colonnes, le décideur choisira la ligne mais non la colonne, de sorte qu'il ne peut
jamais savoir avec certitude le gain qu'il fera suite à sa décision.

6
Décision sous incertitude

Exemple

Prenons l'exemple de Farid un jeune entrepreneur qui décide de vendre des

brioches sur son lieu de travail.
Il a la possibilité de les acheter 40 Dr pièce pour les revendre 80 Dr. Il envisage en
acheter 0, 1, 2 ou 3. S'il en achète en trop, il perd 40 Dr par brioche.
Par contre, s'il n'en a pas assez, ses clients potentiels vont perdre confiance en lui
et ne pas aller le voir un autre jour (ils iront simplement acheter leur brioche avant
de venir travailler).
Pour Farid, une pénurie se traduit donc par une perte de potentiel qu'il estime à 35
Dr par brioche manquante.

7
Décision sous incertitude

Exemple

Demande
0 1 2 3
Achat

0 0 -35 -70 -105

1 -40 40 5 -30
2 -80 0 80 45
3 -120 -40 40 120

Table de gain

8
Décision sous incertitude

Exemple
Selon la manière dont Farid considère le risque, il optera pour différentes options :

1 S'il est plutôt conservateur, il utilisera le critère (pessimiste) Maximin qui

considère pour chaque décision possible le pire cas envisageable. S'il n'achète pas
de brioche, il risque perdre 105. Avec une brioche, il ne perdra jamais plus de 40
alors que ce nombre monte à 80 s'il achète 2 brioches et 120 pour 3 brioches. S'il
veut s'assurer que le pire cas soit le moins mauvais possible, il optera donc pour
l'achat de 1 brioche

9
Décision sous incertitude

Exemple

.2 À l'opposé, s'il est optimiste, il utilisera au critère Maximax pour lequel on

considère dans chaque décision son meilleur potentiel. En n'achetant aucune
brioche, il ne peut que perdre. Avec une brioche, il peut espérer gagner jusqu'à 40
Dr alors que ce nombre s'élève à 80 puis 120 s'il achète respectivement 2 ou 3
brioches. Selon ce dernier critère, le meilleur choix ne sera plus d'acheter 1
brioche mais 3.

10
Décision sous incertitude

Exemple

Farid peut aussi avoir des critères similaires aux deux présentés ci dessus
3
mais avec quelques restrictions. Il peut par exemple vouloir le meilleur potentiel
sans risquer de perdre plus de 100, en quel cas il n'achètera pas 3 brioches mais 2.

11
Décision sous incertitude

Exemple

Une autre approche est de considérer le regret que peut éprouver Farid suite à son
choix. Dans le cas que nous venons de voir, s'il opte pour l'achat de 1 brioche alors
que sa demande est de 3, il perdra 30 Dr alors qu'il aurait pu en gagner 120. Il se
dira donc qu'il a fait un mauvais choix et regrettera les 150 Dr qu'il aurait en plus
s'il avait décidé d'acheter 3 brioches. En calculant pour chaque cas de figure le
regret (différence entre le gain et le meilleur gain pour cette demande), on établit
la table suivante:

12
Décision sous incertitude

Exemple

Demande
0 1 2 3
Achat

0 0 75 150 225
1 40 0 75 150
2 80 40 0 75
3 120 80 40 0

Table de regret

13
Décision sous incertitude

Exemple

Il optera alors pour le critère minimax regret qui vise à ce que le regret
maximum associé à un choix soit le plus petit possible. Dans ce cas, s'il n'achète
pas de brioche, il peut regretter jusqu'à 225 Dr alors que cette valeur chute à 150
s'il achète une brioche, 80 s'il en achète 2 et 120 s'il en achète 3. Selon ce critère, il
optera pour l'achat de 2 brioches.

Selon la perception du décideur, il optera pour différentes méthodes pour effectuer

son choix. Pessimiste, Farid achèterait une seule brioche alors qu'il en achèterait 3

s'il est optimiste et 2 s'il désire regretter son choix le moins possible.

14
Décision dans le risque

15
Problématique des décisions dans le risque
• Dans la décision face au risque, on considère que les probabilités de chaque
état , ou S est l’ensemble des états de la nature, sont connues :

• Si le décideur et que se réalise, il en résulte que la

conséquence , où C est l’ensemble des conséquences sur lequel est
définie une fonction d’utilité .

=> Une décision est alors une application de S dans C

On peut considérer que l’utilité U correspond aux résultats monétaires de la
décision : S C
Exemple : jeu de pile ou face (100 Dr d’enjeu) :
matrice des résultats : P P
+ 100 Dr
F

F
-100 Dr
F P
16
Problématique des décisions dans le risque

Problème :
• Comment choisir, dans l’ensemble des stratégies la plus avantageuse, sur la base
de l’information disponible (S, C, U) ?

• Plusieurs critères sont possibles :

- Critère de Pascal (critère de l’Espérance Mathématique ou

Espérance Mathématique de Gain - EMG) :

• Adapté à des risques peu élevés

• Lorsque le risque est plus élevé, l’aversion pour le

risque doit être considérée et l’on a recours à d’autres
critères (Critères de Markowitz, de Bernouilli, …)

17
Problématique des décisions dans le risque
Critère de Pascal : Maximum de l’Espérance Mathématique
Soit un ensemble D à 2 décisions D= {d1, d2} avec la matrice des résultats :

• Si , alors d1 domine d2
• L’espérance mathématique se calcule ainsi :

• Le choix de la meilleure décision correspond à la maximisation de

l’espérance mathématique de chaque décision, soit :

18
Problématique des décisions dans le risque
Critère de Pascal : Maximum de l’Espérance Mathématique

Exemple : jeu de pile ou face (100 Dr d’enjeu) :

• Nous avons la matrice des résultats suivante :

• Calcul de l’Espérance Mathématique :

19
Problématique des décisions dans le risque
Etude de cas : énoncé
Cas :
Un commerçant doit commander en début de saison un lot de vêtements auprès
d’un fabricant qui ne pratique pas le réassortiment en cours de saison :

• il choisi entre 3 types de décisions de commande (Faible, Moyenne, Elevée) et

• il considère 3 états de la demande (Basse, Moyenne, Forte),
ce qui le conduit en s’appuyant sur son expérience des années passées, à la matrice
de décision (matrice des gains) suivantes (en €) :

Avec :
• D = ensemble des décisions {Faible, Moyenne, Elevée}
• S = ensemble des situations possibles {Basse, Moyenne, Forte}
20
Problématique des décisions dans le risque
Critère de Pascal : résolution du cas
• Dans la décision face au risque, on considère que les probabilités de chaque
État sont connues :

• Calcul de l’Espérance Mathématique :

• On en conclut que :

21
Problématique des décisions dans le risque

Lorsqu’on peut associer des probabilités aux états de la nature. On peut chercher à
calculer l’espérance ou la variance des gains.

Dans le cas ou le décideur est en mesure d'associer (ou d'évaluer) une probabilité
à chaque état de la nature, on dit que le problème est un problème de décision avec
risque. Outre les critères mentionnés plus tôt, il est alors aussi possible d'effectuer
des calculs plus précis tels qu'évaluer l'espérance ou la variance des gains (ou des
coûts).

22
Problématique des décisions dans le risque

Exemple

Supposons que par son habitude, Farid ait réussi à estimer la probabilité que la
demande soit de 0, 1, 2 ou 3 brioches et qu'elles soient respectivement 0,2; 0,35;
0,35 et 0,1.

Demande de 0 Brioche 1 Brioche 2 Brioches 3 Brioches

Probabilité 0,2 0,35 0,35 0,1

Demande
0 1 2 3
Achat 0,2 0,35 0,35 0,1
0 0 -35 -70 -105
1 -40 40 5 -30
2 -80 0 80 45
23
3 -120 -40 40 120
Problématique des décisions dans le risque

Exemple
Alors, s'il décide d'acheter 0 brioche, son gain espéré sera de
E(0 brioche)= 0,2 x 0 + 0,35 x -35 + 0,35 x -70 + 0,1 x -105 = -47,25 Dr.

Si par contre il achète 1 brioche, son gain espéré sera de

E(1 brioche)= 0,2 x -40 + 0,35 x 40 + 0,35 x 5 + 0,1 x -30 = 4,75 Dr.

S'il achète 2 brioches, son gain espéré sera de

E(2 brioches)= 0,2 x -80 + 0,35 x 0 + 0,35 x 80 + 0,1 x 45 = 16,5 Dr

Si enfin il achète 3 brioches, son gain espéré sera de

E(3 brioches)= 0,2 x -120 + 0,35 x -40 + 0,35 x 40 + 0,1 x 120 = -12 Dr.
24
Problématique des décisions dans le risque

Exemple

Selon le critère de l'espérance de gain, il optera pour l'achat de 2 brioches.

Il peut bien sur aussi choisir de minimiser l'espérance de regret, des calculs
similaires nous mènent à la décision d'acheter 2 brioches pour un regret espéré de
37,5 Dr que vous pouvez aisément vérifier par vous-même.

25
Problématique des décisions dans le risque

Exemple
Alors, s'il décide d'acheter 0 brioche, son regret sera de
E(0 brioche)= 0,2 x 0 + 0,35 x 75 + 0,35 x 150 + 0,1 x 225 = 101,25 Dr.

Si par contre il achète 1 brioche, son regret sera de

E(1 brioche)= 0,2 x 40 + 0,35 x 0 + 0,35 x 75 + 0,1 x 150 = 49,25 Dr.

S'il achète 2 brioches, son regret sera de

E(2 brioches)= 0,2 x 80 + 0,35 x 0 + 0,35 x 40 + 0,1 x 75 = 37,5 Dr

Si enfin il achète 3 brioches, son regret sera de

E(3 brioches)= 0,2 x 120 + 0,35 x 80 + 0,35 x 40 + 0,1 x 0 = 66 Dr.

26
Problématique des décisions dans le risque

Valeur de l’information :

Supposons qu'un extra lucide garantisse à Farid de lui indiquer le matin, avant qu'il
n'aille acheter ses brioches, quelle sera la demande.
Combien Farid est-il prêt pour cette information? Connaissant la demande, il est
évident que Farid ajustera ses achats en fonction de cette dernière. Si la demande
est de 0, Farid n'achètera pas de brioches et son gain sera 0; si elle est de 1, il
achètera une brioche et gagnera 40 Dr, il gagnera ainsi 80 Dr et 120 Dr si la
demande est respectivement de 2 ou 3 brioches. Étant données les probabilités
associées à chaque demande, par exemple il a 35% de chances de faire un gain de
40, etc. Son espérance de gain sera alors de :

0,2 x 0 + 0,35 x 40 + 0,35 x 80 + 0,1 x 120 = 54 Dr.

27
Problématique des décisions dans le risque

Valeur de l’information :

En comparant cette valeur avec son espérance de gain de 16,5¢ que Farid peut
espérer en ne disposant que des probabilités, cette information lui apporterait
une espérance de revenu supplémentaire de 54 -16,5 = 37,5¢. On peut alors
dire que l'information parfaite vaut 37,5¢ aux yeux de Farid. ce qui correspond
au regret espéré.
Lorsqu’on peut associer des probabilités aux états de la nature. On peut
chercher à calculer l’espérance ou la variance des gains.

 
n
E G j   pij g ij où i est l’état de la nature
i 1 pij est la probabilité associé à l’état i
gij le gain associé à cet état i pour décision j

28
Problématique des décisions dans le risque

Valeur de l’information :

alors si Farid achète 0 brioche son gain sera = - 47.25…

Achat E (a)
0 - 47.25
1 4.75
2 16.5
3 -12

Si Farid connaissait l’avenir, il ferait correspondre ses décisions aux états de la

nature que se réaliseront

Achat Gain (avec information)

0 0
1 40
2 80
3 120 29
Problématique des décisions dans le risque

Valeur de l’information :

De même on peut chercher l’espérance du regret et choisir le minimum des regrets

espérés associés à chacune des décisions

 
n
E R j   Pi Rij Où i est le numéro de l’état de la nature
i 1 Pi est la probabilité associée à l’état de la nature
Rij regret associé à l’état i pour décision j

E(R0)= 0,2 x 0 + 0,35 x 75 + 0,35 x 150 + 0,1 x 225 = 101,25 Dr.

E(R1)= 0,2 x 40 + 0,35 x 0 + 0,35 x 75 + 0,1 x 150 = 49,25 Dr.
E(R2)= 0,2 x 80 + 0,35 x 0 + 0,35 x 40 + 0,1 x 75 = 37,5 Dr
E(R3)= 0,2 x 120 + 0,35 x 80 + 0,35 x 40 + 0,1 x 0 = 66 Dr.

30
Problématique des décisions dans le risque

Valeur de l’information :
Dans ce cas la décision sera d’acheter 2 brioches.
Cette façon de calculer se nomme le critère de Bayes, si on utilise des
probabilités égales ce critère prend le nom de critère de Laplace.
Si Farid connaissait l’avenir, il ferait correspondre ses décisions aux états de la
nature que se réaliseront

Achat Gain (avec information)

0 0
1 40
2 80
3 120

31
Problématique des décisions dans le risque

Valeur de l’information :

E(Gain)=0,2 x 0 + 0,35 x 40 + 0,35 x 80 + 0,1 x 120 = 54 Dr.

VIP = 54 – 16,5= 37,54
Cela correspond au prix raisonnable à débourser pour obtenir l’information
Valeur Information Parfaite

Ce n’est pas un hasard si cette valeur correspond au regret espéré.

1) Les deux critères
- Minimiser l’espérance du regret
- Maximiser le gain espéré
amènent à la même décision
2) Le regret espéré minimal du regret est toujours égal à la valeur espérée de
l’information parfaite. 32
Arbre de décision

33
Présentation des arbres de décisions

Un arbre de décisions est une méthode graphique pour analyser des décisions avec
risque, des modèles dans lesquels les probabilités associées aux différents états de
la nature sont spécifiées.

Pour être plus précis, les arbres de décisions ont été conçus pour les problèmes
faisant intervenir une séquence de décisions et événements successifs.

L'arbre de décision est habituellement représenté comme des décisions ou des

événements successifs représentés chronologiquement de gauche à droite.

Les nœuds représentant des décisions sont habituellement représentés par des
carrés et une branche suivant une décision sera associée à chaque possibilité de
décision

34
Présentation des arbres de décisions

Les nœuds représentant des événements « nœuds de hasard » sont habituellement

représentés par des cercles et une branche suivant un événement est associé à
chaque configuration envisageable.

Les nœuds terminaux de l'arbre (à droite) correspondent alors à toutes les

possibilités de combinaisons décision / événement et sont représentés par des
triangles.

Un chemin de la racine (nœud à gauche) vers une feuille (triangle à droite)

représentera une succession de décisions et d'événements envisageables.

La configuration qui se réalisera dépend des décisions prises mais aussi des
événements qui se réaliseront, avec la possibilité qu'une décision soit influencée
par les événements ayant eu lieu précédemment.

35
Présentation des arbres de décisions

 Un arbre de décision est un schéma représentant les résultats possibles d'une

série de choix interconnectés.

 Il permet à une personne ou une organisation d'évaluer différentes actions

possibles en fonction de leur coût, leur probabilité et leurs bénéfices.

 Il peut être utilisé pour alimenter une discussion informelle ou pour générer un
algorithme qui détermine le meilleur choix de façon mathématique.

36
Présentation des arbres de décisions

Symboles des arbres de décision

Forme Nom Signification

Indique une décision

Nœud de décision
à prendre

Illustre plusieurs
Nœud de hasard
résultats incertains

Chaque branche
Branches alternatives indique un résultat ou
une action possible

Illustre un choix qui

Alternative rejetée
n'a pas été retenu

Indique un résultat
Nœud terminal
final
37
Exemple : mise en marché

Une entreprise envisage de lancer un nouveau produit sur le marché. Étant donnés
les risques que ce choix implique, elle considère avec intérêt la possibilité de lancer
le produit sur un marché test au préalable afin, si le produit devait ne pas plaire au
publique, d'éviter de perdre les montants nécessaires au lancement du produit
nationalement. Dans ce cas ci, on envisage trois scénarios pour le marché test
ainsi que pour le marché national. Le marché peut alors être Bon, Moyen ou
Mauvais.

L'entreprise sera d'abord confrontée au premier choix:

Doit-on essayer le marché test d'abord ou pas?

38
Exemple : mise en marché

Selon l'option choisie, une autre décision devra être prise immédiatement, si
l'entreprise ne va pas sur le marché test, elle doit tout de même décider d'aller sur
le marché national ou non.

Par contre, si le choix d'aller sur le marché test a été pris, un évènement suivra ce
premier choix. La qualité du marché test sera dévoilée.

Cette qualité étant indépendante de la volonté de l'entreprise elle sera associée à

un évènement. Si la première décision avait deux options (aller sur un marché test
ou non), cet évènement en comporte trois (Bon, Moyen et Mauvais).

39
Exemple : mise en marché

Après avoir pris connaissance de la qualité du marché test, l'entreprise pourra

décider d'aller sur le marché national ou non; de plus, ce choix dépendra du
marché test.

À chacune des branches associées aux différentes qualités possibles du marché

test, nous ajouterons donc une décision entre deux options: aller sur le marché
national ou non.

À ce niveau, si l'entreprise décide de ne pas aller sur le marché national, le

problème s'arrête car il n'y a plus de décisions à prendre ni d'évènements à
attendre.

Dans un arbre de décisions, nous associerons un nœud à chaque décision et à

chaque évènement. Un troisième type de nœud indiquera qu'il n'y a plus de
décisions à prendre ni d'évènements à attendre, de sorte qu'il y a dans un arbre
de décision 3 types de nœuds :
40
Exemple : mise en marché

1. Les nœuds décision

Après un nœud décision, on a une branche pour chaque décision envisageable.

La résolution du problème vise à définir pour chacun de ces nœuds décision à

prendre, ce qui se traduit par l'affectation de l'étiquette "VRAI" à une branche et
"FAUX"à chacune des autres.

En général, on représente en gras la branche qui porte l'étiquette "VRAI". Un

impact financier direct peut être associé à chaque décision.

41
Exemple : mise en marché

1. Les nœuds événements

Après un nœud événement, on a une branche pour chaque configuration

envisageable.

Comme les événements sont indépendants de la volonté du décideur, on ne peut

pas a priori savoir laquelle sera utilisée en réalité.

En revanche, on associe à chacune des branches la probabilité. Un impact financier

direct peut aussi être associé à chaque événement.

42
Exemple : mise en marché

1. Les nœuds terminaux

Chaque nœud terminal est associé à une succession possible de décisions et

d'événements.

On calcule pour chaque telle situation le profit qui lui est associé et, après
résolution de l'arbre, la probabilité que cette configuration se réalise (en fonction
des décisions et événements successifs).

43
Exemple : mise en marché

Dans l'exemple que nous venons de mentionner, il nous faut ajouter quelques
informations pour être en mesure de résoudre le problème.

Si l'entreprise décide d'aller sur le marché test, il y a 30% de chances qu'il soit Bon,
50% de chances qu'il soit Moyen et 20% de chances qu'il soit mauvais.

Par ailleurs, on nous indique qu'aller sur le marché test coûte 5000 $ et peut
rapporter 12000, 7000 ou 3000 respectivement selon qu'il soit Bon, Moyen ou
Mauvais.

On indique aussi que les revenus du marché national seront de 200000 $, 120000
$ et 30000 $ respectivement.
44
Exemple : mise en marché

Si le marché test est Bon, les probabilités que le marché national soit Bon, Moyen
ou Mauvais sont de 50%, 30% et 20% alors que ces valeurs sont de 20%, 50% et
30% dans le cas ou le marché test serait Moyen tandis qu'elles seraient de 25%,
30% et 45% respectivement si le marché test devait être Mauvais.

L'entreprise devra défrayer des coûts de 100000 $ pour tenter sa chance sur le
marché national.

45
Exemple : mise en marché

Le choix d'aller ou non sur le marché test dépendra de l'espérance de profit que
l'entreprise peut espérer si elle y va et si elle n'y va pas.

Malheureusement, il est impossible de prendre cette décision sans savoir

l'espérance de profit dans chaque cas, et chaque cas dépend aussi de la suite des
évènements.

S'il n'y avait qu'une décision et un évènement, le problème serait un simple

problème d'analyse des décisions avec risque que nous savons traiter.

46
Exemple : mise en marché

Chaque cas de figure (ou scénario) correspond à une réalisation potentielle pour
laquelle nous connaissons toute l'information.

Il est donc aisé de donner une valeur à chaque nœud terminal, par exemple si
l'entreprise décide d'aller sur le marché test, qu'il est Moyen, qu'elle aille ensuite
sur le marché national et qu'il soit mauvais,
son profit serait de (-5000+7000-100000+30000 = -68000).

Il est aussi possible de déterminer l'espérance associée à un nœud évènement dont

les espérances de tous les successeurs sont connus (en multipliant les espérances
par les probabilités correspondantes),

47
Exemple : mise en marché

par exemple, si l'entreprise va sur le marché test, qu'il est Moyen et qu'elle va sur
le marché national. On sait qu'il y a trois possibilités, soit le marché national est
Bon et le profit est de 102000, soit il est Moyen et il sera de 22000, ou bien il sera
Mauvais et les profits seront de -68000. Sachant que les probabilités associées
alors à ces trois possibilités sont respectivement de 20%, 50% et 30%, l'espérance
de profit est alors de (0,2x102000+0,5x22000-0,3x68000=11000$). Il est aisé
aussi de choisir pour un nœud décision l'option la plus intéressante si les
espérances sont connues (en choisissant la meilleure). Nous commencerons donc
la résolution du problème en calculant les espérances des nœuds pour lesquels
c'est possible (les nœuds dont tous les successeurs ont une espérance connue). La
méthode la plus simple est de prendre les nœuds depuis la fin de l'arbre (nœuds
terminaux) vers le début en effectuant les calculs qui viennent d'être décrits.
48
Exemple : mise en marché

Résolution

Le principe de résolution réside dans le calcul de la valeur espérée du profit (ou

coût) associé à chaque nœud. Pour ce faire, considérons deux arbres de base, un ne
comportant qu'un nœud événement et l'autre seulement un nœud décision.

1. Nœud événement
Soit un nœud événement suivi de 3 branches associées aux profits espérés de 20,
10 et -5 avec des probabilités respectives de 20%, 50% et 30%. Le profit espéré
associé à ce nœud sera 20x0,2 + 10x0,5 + -5x0,3 = 7,5.

49
Exemple : mise en marché

Résolution

2. Nœud décision
Soit un nœud décision suivi de 3 branches associées aux profits espérés de 20, 10
et -5. Le profit espéré associé à ce nœud sera 20 et la décision sera la première.

3. Nœud terminal
Chaque nœud terminal étant associé à une succession définie d'événements et de
décisions, son profit est défini avec exactitude (il suffit d'additionner les impacts
financiers associés aux branches menant de la racine à ce nœud).

50
Exemple : mise en marché

Résolution

Comme les profits associés aux nœuds terminaux sont connus, il est possible de
calculer les profits associés aux nœuds précédents. On peut ainsi calculer
l'espérance de tout nœud dont les successeurs ont déjà été calculés. La résolution
de l'arbre se fait donc par niveaux successifs depuis la droite vers la gauche jusqu'à
la racine, donnant la suite de décisions à prendre à chaque fois qu'il y en a une.
Cette résolution donne aussi le profit espéré de l'ensemble du processus (valeur
associée au nœud racine).

51
Exemple : mise en marché

Résolution
Calcul de la probabilité associée à chaque nœud terminal

Chaque nœud décision comportant une branche qui sera choisie alors que les
autres ne le seront pas, on peut associer la probabilité 1 à la branche choisie
(certaine) et 0 aux autres. Partant de là, le produit des probabilités associées à
chaque branche du chemin de la racine vers le nœud terminal donnera la
probabilité que cette configuration se réalise. On note que dès l'instant qu'une
décision est réputée ne pas être prise, toutes les configurations la comportant ont
une probabilité 0, ce qui reflète l'impossibilité de sa réalisation.

52
Exemple : mise en marché

Résolution
Mise en marché

Décisions Évènements
Oui
Marché test Non Bon
Moyen
Marché National Oui Mauvais
Non

P=0,3 = P (test Bon)

P=0,5 = P (Test Moyen)
P=0,2 = P (Test Mauvais)

Coût Test (5 000)

Coût pour aller Marché National = (100 000) 53

Exemple : mise en marché

Résolution
Mise en marché

Gain Test Gain Marché

12 000 Bon 200 000
7 000 Moyen 120 000
3 000 Mauvais 30 000

Tableau (demande réelle/résultat test)

Demande Réelle
(Marché) (θ)

Bon Moyen Mauvais

Prédiction du test
Bon 50 30 20
Moyen 20 50 30
Mauvais 25 30 45
54
Exemple : mise en marché

Résolution
Construction de l’arbre :

Probabilité demande réelle = P(Test) P(Demande réelle/test).

P(Marché = Bon) = P(Demande Marché = Bonne / Test = Bon) P(Test = Bon)
+ P(Marché = Bon / Test = Moyen) P (Test = Moyen)
+ P(Marché = Bon / Test = Mauvais) P(Test = Mauvais)
= 0.5 (0.3) + 0.2 (0.5) + 0.25 (0.2) = 0.3

P(Marché = Moyen) = P( Marché = Moyen / Test = Bon) P(Test = Bon)

+ P(Marché = Moyen / Test = Moyen) P (Test = Moyen)
+ P(Marché = Moyen / Test = Mauvais) P(Test = Mauvais)
= 0.3 (0.3) + 0.5 (0.5) + 0.3 (0.2) = 0.4
P(Marché = Mauvais) = P( Marché = Mauvais / Test = Bon) P(Test = Bon)
+ P(Marché = Mauvais / Test = Moyen) P (Test = Moyen)
+ P(Marché = Mauvais / Test = Mauvais) P(Test = Mauvais)
= 0.2 (0.3) + 0.3 (0.5) + 0.45 (0.2) = 0.3
55
Exemple : mise en marché

Résolution
Construction de l’arbre :

Branche Test Bon

Coût du test = (5 000)

Revenu test = 12 000 National Non = 7 000
7 000

Lancement Bon 200 000 – 93 000 = 107 000

Marché National (100 000)
-93 000 Moyen 120 000 – 93 000 = 27 000

Mauvais 30 000 – 93 000 = -63 000

56
Exemple : mise en marché

Résolution
Construction de l’arbre :

Branche Test Moyen

Coût du test = (5 000)

Revenu test = 7 000 National Non = 2 000
2 000

Lancement Bon 200 000 – 98 000 = 102 000

Marché National (100 000)
-98 000 Moyen 120 000 – 98 000 = 22 000

Mauvais 30 000 – 98 000 = -68 000

57
Exemple : mise en marché

Résolution
Construction de l’arbre :

Branche Test Mauvais

Coût du test = (5 000)

Revenu test = 3 000 National Non = -2 000
(-2 000)

Lancement Bon 200 000 – 102 000 = 98 000

Marché National (100 000)
-102 000 Moyen 120 000 – 102 000 = 18 000

Mauvais 30 000 – 102 000 = -72 000

58
Exemple : mise en marché

Résolution
Construction de l’arbre :

Branche pas Test

Bon 200 000 – 100 000 = 100 000

Lancement (100 000) Moyen 120 000 – 100 000 = 20 000

Mauvais 30 000 – 100 000 = -70 000

59
Exemple : mise en marché

Résolution
Résolution de l’arbre :
1- À chaque nœud d’évènement on trouve équivalent certain :
Équivalent certain – pas Test
Éq. = 0.3 (100 000) + 0.4 (20 000) + 0.3 (-70 000)
Éq = 30 000 + 8 000 - 21 000
= 17 000

Équivalent certain – Test Mauvais

Éq = 0.25 (98 000) + 0.3 (18 000) + 0 .45 (-72 000)
= - 2 500

Équivalent certain – Test Moyen

Éq = 0.2 (102 000) + 0.5 (22 000) + 0.3 (-68 000)
= 11 000

Équivalent certain – Test Bon

Éq = 0 .5 (107 000) + 0 .3 (27 000) + 0 .2 (-63 000)
= 49 000
60
Exemple : mise en marché

Résolution
Résolution de l’arbre :
2- Choisir la décision appropriée dans la branche test oui entre
aller ou non sur le marché national. Bon 0,3
E Moyen 0,5
D Mauvais 0,2
Bon 0,3
E Moyen 0,5 Bon 0,3
Mauvais 0,2 E Moyen 0,5
oui D
Mauvais 0,2
D
non
E Bon 0,3
D Moyen 0,5
D oui Mauvais 0,2
Bon 0,3
E Moyen 0,5
Mauvais 0,2
non

61
Exemple : mise en marché

Résolution
Résolution de l’arbre :
3- Calculer Éq. certain branche qui reste en utilisant les
résultats découlant de la décision précédente.

Éq. = 0.3 (49 000) + 0.5 (11 000) + 0.2 (-2 500)
= 19 700

Gain net espéré de l’étude : Gain espéré avec étude –Gain espéré sans étude.
19 800
- 17 000
2 800 $

62
Critère de Pascal : résolution du cas 1 par arbre de décision
Matrice des résultats :

Arbre associé :

63