Chapitre 2 SAD Benhamel
Chapitre 2 SAD Benhamel
Chapitre 2 SAD Benhamel
4 - Arbre de décision
1
Analyse des décisions
2
Analyse des décisions
•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
4
Décision sous incertitude
5
Décision sous incertitude
Définition
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
7
Décision sous incertitude
Exemple
Demande
0 1 2 3
Achat
Table de gain
8
Décision sous incertitude
Exemple
Selon la manière dont Farid considère le risque, il optera pour différentes options :
9
Décision sous incertitude
Exemple
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.
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 :
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) ?
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 :
18
Problématique des décisions dans le risque
Critère de Pascal : Maximum 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 :
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 :
• 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
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.
Exemple
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.
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 :
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 :
Achat E (a)
0 - 47.25
1 4.75
2 16.5
3 -12
Valeur de l’information :
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
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
31
Problématique des décisions dans le risque
Valeur de l’information :
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.
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
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
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
Illustre plusieurs
Nœud de hasard
résultats incertains
Chaque branche
Branches alternatives indique un résultat ou
une action possible
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.
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.
39
Exemple : mise en marché
41
Exemple : mise en marché
42
Exemple : mise en marché
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.
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).
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
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
Résolution
Mise en marché
Résolution
Construction de l’arbre :
Résolution
Construction de l’arbre :
56
Exemple : mise en marché
Résolution
Construction de l’arbre :
57
Exemple : mise en marché
Résolution
Construction de l’arbre :
58
Exemple : mise en marché
Résolution
Construction de l’arbre :
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
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