Академический Документы
Профессиональный Документы
Культура Документы
INSEA 2017/2018
Boumahdi Ilyes
ilyesboum@yahoo.fr
Supports du cours : https://sites.google.com/site/ilyesboumahdi/
* Ce document est sujet à enrichissement. Merci de m’envoyer toute remarque pouvant en améliorer
le contenu et la forme. Version : 03-11-17 09:56
CHAPITRE INTRODUCTIF
Bibliographie
Prise de décision
Univers certain :
Univers risqué :
Connaissance totale
Connaissance partielle Univers incertain :
(Exp. Fonction du
(Exp. Connaissance de (Exp. La loi du profit
profit connue, soit
la loi de probabilité du n’est pas connue)
Programmation
profit)
linéaire)
Remarques :
• Différencier entre théorie de décision et théorie des jeux qui permet plutôt
une prise de décision en avenir incertain généralement non probabiliste.
A a1 a2
f
1% 15 70
5% 75 70
15% 225 70
25% 375 70
Une des décisions possibles en plus de celles établies sans vraisemblance est de considérer
celle qui a une perte moyenne pondérée (ou perte espérée) minimale, soit a2 :
A a1 a2
f
1% 15 70
5% 75 70
15% 225 70
25% 375 70
E(L(a,f)) 78 70
ILLUSTRATION INTUITIVE DE LA THEORIE DE DECISION :
Exemple 4 : Contrôle de qualité d’une machine
Présence d’un sondage sur f : si le contrôleur fait un prélèvement de 10 pièces
(production avant le lancement définitif) et constate qu’il n’y a aucune pièce défectueuse
(R=Résultat du sondage), il pourrait corriger sa perception sur la distribution de f et de là
celles des pertes moyennes :
A
f P(f) (f) a1 a2
f
1% 0,7 0,881 1% 15 70
𝑃 𝑅 𝑓𝑖 𝑃 𝑓𝑖
𝜋 𝑓𝑖 = 𝑃 𝑓𝑖 𝑅 = 5% 0,1 0,083
𝑖 𝑃 𝑅 𝑓𝑖 𝑃 𝑓𝑖
5% 75 70
15% 0,1 0,027 15% 225 70
25% 0,1 0,008 25% 375 70
e(L(f,a)) 28,58 70
• 1% devient plus vraisemblable puisque l’expérience a donné 0 pièces défectueuses qui
coïncide avec la stratégie optimiste (Quant est il si on avait trouvé 4 pièces
défectueuses?).
• La décision qui a une perte moyenne pondérée (ou perte espérée) minimale est a1 et
n’est plus celle sans sondage (a2).
PLAN
I CHAPITRE INTRODUCTIF
III UTILITÉ
IV PROBABILITÉS SUBJECTIVES
V RANDOMISATION
Définition 1 :
• L : (, A) ℝ+ : perte liée à la prise d’une décision a 𝜖A alors que 𝜖 est l’état qui se
réalise.
oLe plus proche de (notion de sans biais E(Tn) = ou au moins asymptotiquement SB E(Tn) ).
oLe plus efficace possible (notion de variance petite) ou même optimale (notion de variance
minimale Exp du MESB).
•Exemples :
•Tn est un estimateur des moments d’ordre 1 si solution de E(X)=𝑋 ie le moment théorique égal au
moment empirique
Eléments et critères de décision
Exemple 2 : Test d’hypothèses
•Θ = Θ0 ⋃Θ1 et H0 : = 0 vs H1 : = 1
• Réduire les deux erreurs étant impossibles, on fixe un niveau toléré de α et on réduit (ou on augmente
la puissance du test 1- ).
•Règles possibles :
•Règle de Neyman et Pearson (voir « Statistique et probabilités », Jean Pierre Lecoutre, pages 250 à 252) :
•Le test de puissance maximale 1- pour 𝛼 = 𝛼0 fixe est défini par la région critique :
𝐿0
𝑊= 𝑥1 , … , 𝑥𝑛 / ≤ 𝑘 où k est déterminé par 𝛼0 = 𝑃(𝑊/ 𝜃 = 𝜃0 )
𝐿1
Eléments et critères de décision
Application 1 : Test d’hypothèse pour la loi exponentielle
𝑥
1 1 −𝑥 1 − 𝑖
𝑋~𝑒𝑥𝑝 ;𝑓 𝑥 = 𝑒 𝜃 ⇒𝐿= 𝑒 𝜃
𝜃 𝜃 𝜃𝑛
𝐿0 𝜃1 𝑛 1 1 1 1
= exp (𝜃 − 𝜃 ) 𝑥𝑖 ≤ 𝑘 exp (𝜃 − 𝜃 ) 𝑥𝑖 ≤ 𝑘 ′
𝐿1 𝜃0 1 0 1 0
1 1
(𝜃 − 𝜃 ) 𝑥𝑖 ≤ 𝑘 ′ ’
1 0
𝑥𝑖 ≥ 𝑐 pour 𝜃1 > 𝜃0
2𝑐
Où c est tel que 𝛼0 = 𝑃(𝑊/ 𝜃 = 𝜃0 ) = 𝑃( 𝑥𝑖 ≥ 𝑐 / 𝜃 = 𝜃0 ) = P(χ2n≥ )
𝜃0
1 1 1 2 𝑋𝑖 1
En effet, 𝑋i~𝑒𝑥𝑝 = Г 1, 𝜃 ⇒ 𝑋𝑖 ~ Г 𝑛, 𝜃 ⇒ ~ Г 𝑛, 2 = χ²2n
𝜃 𝜃
2𝑐
• est le fractile d’ordre 1-𝛼0 retrouvé à partir de la loi de Chi 2.
𝜃0
A
𝑨∖𝑪
*a
*c C
• Remarque 3 :
Il y a toujours au moins une classe complète, soit celle de toutes les décisions C=A.
• Remarque 4 :
Toute classe complète contient nécessairement les décisions admissibles si elles existent.
C’est-à-dire 𝐴0 ⊂ C
• Démonstration :
Supposons que ce n’est pas le cas. Donc, ∃𝑎0 𝑎𝑑𝑚𝑒𝑠𝑠𝑖𝑏𝑙𝑒 𝜖 𝐴 tel que 𝑎0 ∉ 𝐶
⇒ ∃c 𝜖 𝐶 /c ≺𝑎0 puisque C est complète ⇒ 𝑎0 𝑒𝑠𝑡 𝑖𝑛𝑎𝑑𝑚𝑒𝑠𝑠𝑖𝑏𝑙𝑒 .
• Remarque 5 :
Une classe complète peut contenir des décisions inadmissibles.
• Exemple 3 :
Soit A={a,a’,a’’} / a≺ a’ ≺ a’’ alors {a,a’} forme une classe complète alors que a’ est inadmissible.
Eléments et critères de décision
• Application 2 :
Reprendre l’exemple introductif de contrôle de qualité d’une machine avec en plus :
a3 : Souscrire à un contrat de maintenance à 70000 dh
a4 : Vendre les pièces défectueuses à 4000 dh au lieu de 9000 dh pour une pièce
saine.
A a1 a2 a3 a4
f
1% 15 70 70 25
5% 75 70 70 125
15% 225 70 70 375
25% 375 70 70 625
625=0,25*500*(9-4)
𝑎2 ≈ 𝑎3 car 𝐿 𝜃, 𝑎2 = 𝐿 𝜃, 𝑎3 ∀ 𝜖 .
𝑎1 ≺ 𝑎4 car 𝐿 𝜃, 𝑎1 < 𝐿 𝜃, 𝑎4 ∀ 𝜖 .
C={𝑎1 , 𝑎2 , 𝑎3 } 𝑒𝑠𝑡 𝑐𝑜𝑚𝑝𝑙è𝑡𝑒 𝑐𝑎𝑟 ∀ 𝑎 ∈ 𝐴 ∖ 𝐶 (𝑠𝑜𝑖𝑡𝑎4 )∃c 𝜖 𝐶(𝑠𝑜𝑖𝑡𝑎1 )/c ≺ a.
Eléments et critères de décision
• Définition 5 :
C0 est dite complète minimale si C0 est complète et ne contient aucune sous classe propre qui
soit complète.
C0 est le noyau des décisions.
• Théorème 1 :
Soit A0 la classe des décisions admissibles. Si A0 est complète alors elle est complète minimale.
• Démonstration :
Supposons que A0 est complète mais pas minimale. Donc, ∃C ⊂ A0 qui soit complète.
Par conséquent, pour a0 ϵ A0 tel que a0 ∉ C ∃c ϵ C /c ≺a0 puisque C est complète ⇒
a0 est inadmessible .
A0
𝑨𝟎 ∖ 𝑪
*a0
*c C
• Remarque 6 :
Dans une classe complète minimale il ne peut y avoir deux décisions dont l’une domine l’autre (a
et a’ / a≺ a’ à l’inverse de l’exemple 3).
• Démonstration :
En effet, si ∃ a et a’ ϵ C0 une classe complète minimale tel que a≺ a’
alors C’= C0 \{a’} est une sous classe complète de C0 ⇒ C0 n’est pas complète minimale.
Eléments et critères de décision
• Théorème 2 :
Soit A0 la classe des décisions admissibles. S’il existe une classe complète minimale C0
alors elle est identique à A0 ie C0 = A0
• Démonstration :
D’après la remarque 4, A0 ⊂ C0 .
Montrons que C0 ⊂ A0 :
Supposons que C0 ⊄ A0
Soit a ϵ C0 \ A0 donc a est inadmissible ⇒ ∃a′ ϵ A0 tel que a’≺ a
Or d’après la remarque 6, a′ ∉ C0 qui est complète minimale ⇒ ∃a′′ ϵ C0 tel que a’’≺
a’ ≺ a
Donc, a’’ ≺ a dans C0 en contradiction avec la remarque 6.
D’où C ⊂ A0 .
• Lemme 1 :
a≺ b ⇒ a≠ b c’est-à-dire qu’une décision ne peut pas être dominée par elle-même.
En effet, si a= b alors a ≈ b car 𝐿 𝜃, 𝑎 = 𝐿 𝜃, 𝑏 ∀ 𝜖
⇒ ∄′ 𝜖 tel que 𝐿 𝜃 ′ , 𝑎 < 𝐿 𝜃′, 𝑏 ⇒ a⊀b
UTILITE
UTILITE
Soit E un ensemble de possibilités et P l’espace des distributions
des probabilités sur E.
On souhaite définir une utilité sur E.
Définition 1 :
Un ordre de préférence ≼ est une relation binaire totale et
transitive :
• Totale : Une fois p1 et p2 fixés, on a deux choix :
p1 ≼ p2 : p2 est préféré à p1
ou p1 ≽ p2 : p1 est préféré à p2
On doit être en mesure de comparer entre les deux.
• Transitive : Si p1 ≼ p2 et p2 ≼ p3 alors p1 ≼ p3
L’inverse conduirait à une préférence circulaire.
Quelqu’un qui est intransitif a un comportement « absurde ».
UTILITE
Exemple 1 : Si quelqu’un préfère p2 (voyager en train) à p1
(voyager en autocar), soit p1 ≼ p2, alors, en ayant p1, il serait prêt
à payer un montant donné pour avoir p2.
∀ p ϵ P et 0< λ<1. Autrement, une combinaison convexe de deux situations avec une
autre même situation ne change pas l’ordre de préférence.
Définition 3 :
On dit que ≼ est souple si étant donné p1 ≼ p2 ≼ p3 alors ∃λ et λ’ ϵ ]0,1[ tel que
Démonstration :
λ 1−λ′
Soit µ= λ’- λ ϵ ]0,1[ et p = 1−μ p2 + p ϵ P
1−μ 1
λ 1−λ′ λ 1−λ′
puisque + = 1 et que et >0
1−μ 1−μ 1−μ 1−μ
λ 1−λ′ λ 1−λ′
µp1 + (1- µ ) p + p ≼ µp2 + (1- µ ) p + p
1−μ 2 1−μ 1 1−μ 2 1−μ 1
Autrement, une situation entre deux préférences ne peut être qu’équivalente à une
combinaison convexe de ces deux dernières.
Démonstration :
Puisque ≼ est souple, ∃ λ ϵ ]0,1[ tel que λp2 + (1- λ)(λ0p2 + (1- λ0)p1) ≺ p
Puisque ≼ est souple, ∃ λ ϵ ]0,1[ tel que λp1 + (1- λ)(λ0p2 + (1- λ0)p1) ≻ p
• Exercice 1 : Si U(p0)=7 et U(p1)=19, trouver U(p) dans les trois cas suivants où l’on est
indifférents entre :
• Exercice 2 : Si U(p0)=-3 et U(p1)=5, trouver une relation entre U et V tel que V est la
Soit a 𝜖A. La solution de bayes a* est celle qui minimise le risque de Bayes:
A a1 a2 a3 a4 a5
𝜃1 0 1 1/2 1 -1
𝜃2 1 0 1/2 2 5/3
• Remarque 4 : Une solution minmax peut coïncider avec une solution de Bayes et
auquel cas elle correspondrait à la distribution à priori f0 la plus défavorable. En
d’autres termes :
La décision optimale a’’’ 𝜖 A selon le critère de Laplace est celle de Bayes par rapport à
la distribution à priori équiprobable sur .
• Remarque 9 :
Le critère de Laplace se fonde sur le fait que vu que la distribution des états de la
nature soit inconnue, alors il n y a pas lieu de différencier entre les probabilités
d’observer ces derniers.
Soit a 𝜖A. La solution optimale selon le critère de Bernoulli aB est celle qui minimise
1
B a = ln(𝐿 𝜃, 𝑎 ) où n = #
𝑛
Le critère de Bernoulli n’est utilisé que pour des fonctions de perte strictement positive.
Probabilités subjectives
Exercice 1 : Extrait de l’examen de rattrapage 2016
Les dirigeants d’une compagnie de composants électriques sont confrontés à une éventualité d’une rupture d’approvisionnement
en cuivre, matière première pour leur procédé de fabrication. En cas de rupture d’approvisionnement prolongée, le manque à
gagner de la société serait de 1000000 dh au moment où elle ne serait que de 500000 dh en cas de rupture limitée.
Pour prévenir cette baisse d’approvisionnement, il est possible d’entreposer une grande quantité de cuivre pour un coût de 250000
dirhams (dh) ou une petite quantité pour un coût de 100000 dh. La compagnie pourrait toujours faire le choix de ne pas entreposer.
Si la compagnie entrepose une petite quantité, la perte serait de 250000 dh en cas de rupture prolongée et nulle en cas de rupture
limitée. Par ailleurs, aucune perte n’est envisagée dans le cas où la compagnie entrepose une grande quantité.
1. Montrer que le tableau de perte peut être établi comme suit en spécifiant les états de la nature et les décisions :
a1 a2 a3
𝜃1 25 35 100
𝜃2 25 10 50
𝜃3 25 10 0
2. Quelle est la stratégie à adopter si la société est optimiste par rapport à l’état futur d’approvisionnement du marché (penser
minmin) ?
3. Quant est-il si la société est pessimiste par rapport à l’état futur d’approvisionnement du marché (penser minmax) ?
4. D’après les relevés des années précédentes, le marché venait à connaître un approvisionnement normal durant 60% de la
période étudiée et une rupture limitée dans 30% du temps.
a. Faut-il entreposer une grande quantité de cuivre selon le critère de Bayes ? sinon, quelle serait la démarche optimale ?
b. Un prévisionniste pense avoir trouvé un modèle infaillible pour la prévision de l’état futur du marché des matières
premières. Quel est le prix maximal que la compagnie serait prête à payer pour ce modèle ?
Probabilités subjectives
Supposons que le décideur peut avoir l’information parfaite des états de la nature,
parfaite qui le renseigne sur l’état exact de la nature, il choisira la décision qui
∗
∗ 𝑓 𝜃 𝐿 (𝜃)𝑑𝜃
P𝐸𝐼𝑃 = 𝐸𝑓(𝜃) 𝐿 (𝜃) = ∗
𝑓 𝜃 𝐿 (𝜃)
𝑎𝑆 = argmin max 𝑟 𝜃, 𝑎 .
a 𝜖A 𝜃 𝜖 Θ
Remarque 14 :
Remarque 15:
Soit (, A, L) un problème de décision. est une décision randomisée si le choix final
dépend d’un processus randomisé.
Définition 2 :
Définition 3 :
• Remarque 1 : Toutes les notions vues dans le chapitre des éléments et critères de
décision restent valables pour les décisions randomisées. Dans ce cas, a3 devient
inadmissible dans l’ensemble des décisions randomisées.
Randomisation
Définition 4 :
Autrement 𝜑∗ = argmin 𝜌 𝜑 .
𝜑𝜖𝜙
Définition 5 :
Une décision randomisée qui met 1 sur une décision et o ailleurs est appelée
décision pure. Autrement , elle coïncide avec une décision a 𝜖 A.
Cas de fini :
Soit (, A, L) un problème de décision muni d’une distribution à priori f tel que
Θ = 𝜃1 , … , 𝜃𝑚 , A = 𝑎1 , … , 𝑎𝑛 , 𝐿(𝜃𝑖 , 𝑎𝑗 ) = 𝐿𝑖𝑗 ∀ 𝑖 ∈ < 1, 𝑚 > et 𝑗 ∈ < 1, 𝑛 >,
𝑚
𝑓(𝜃𝑖 ) = 𝜆𝑖 ∀ 𝑖 ∈ < 1, 𝑚 > avec 𝜆𝑖 ≥ 0 𝑒𝑡 𝑖=1 𝜆𝑖 =1
𝑛
et 𝜑(𝑎𝑗 ) = 𝜑𝑗 ∀ 𝑗 ∈ < 1, 𝑛 > avec 𝜑𝑗 ≥ 0 𝑒𝑡 𝑖=1 𝜑𝑗 =1
Randomisation
Propriété 2 : Le risque d’une décision randomisée est une combinaison convexe
des risques de décisions pures.
Démonstration : Soit 𝜖 ф
Théorème 1 :
𝐿(𝜃, 𝜑) ≤ 𝐿 𝜃, 𝜑 ∗ ∀ 𝜖 .
⇒
∃′ 𝜖 tel que 𝐿 𝜃 ′ , 𝜑 < 𝐿 𝜃 ′ , 𝜑 ∗ .
⇒ 𝑚
𝑖=1 𝜆𝑖 𝐿(𝜃𝑖 , 𝜑 ) < 𝑚
𝑖=1 𝜆𝑖 𝐿(𝜃𝑖 , 𝜑 ∗) ⇒ 𝜌 <𝜌 ∗
Théorème 2 :
S’il existe une solution randomisée de Bayes * alors il en existe une qui est pure.
Randomisation
Démonstration : Soit * une solution randomisée de Bayes .
Donc, 𝜌 ∗ ≤ 𝜌 ∀ 𝜖 ф
Soit 𝜚 = 𝜌 ∗ = inf 𝜌 𝜑
𝜑𝜖𝜙
1- 𝜌 a∗ ≥ ϱ
2- 𝜌 a∗ ≤ ϱ
⇒ 𝜌 a∗ ≤ 𝑛
∗ 𝜌 𝑎𝑗 = 𝜌 ∗ = 𝜚 (Cf . propriété 2)
Randomisation
Recherche de la solution randomisée de Bayes par la méthode graphique : Cas de
= 𝛉𝟏 , 𝛉𝟐 :
Soit 𝜖 ф une solution randomisée et 𝑥𝑖 = 𝐿(𝜃𝑖 , 𝜑) ∀ 𝑖 ∈ < 1, 𝑚 >
𝑚 𝑚
𝜌 𝜑 = 𝑖=1 𝜆𝑖 𝐿(𝜃𝑖 , 𝜑 ) = 𝑖=1 𝜆𝑖 𝑥𝑖 =< λ, 𝑥 >
3. Trouver le risque de Bayes pour 𝜆= ½ associé à la décision randomisée qui consiste à choisir
d’une manière aléatoire équilibrée entre a1, a2 et a5 et vérifier si elle pourrait être optimale au
sens de Bayes.
4. Tracer ф.
6. Pour quelles valeurs de 𝜆 la solution randomisée de Bayes ne serait pas unique. Trouver dans ce
cas l’ensemble des solutions randomisées de Bayes ainsi que le risque de Bayes associé.
Randomisation
Définition 6 :
La stratégie est donc de déplacer le carré jusqu’au dernier point d’intersection entre
ф et le carré.
Randomisation
Remarque 3 : Si ф est du côté négatif du repère, prendre toujours le point
d’intersection le plus bas.
Randomisation
Remarque 4 : La solution minmax dans le cas où la première bissectrice ne passe
pas par ф, la stratégie est toujours de déplacer le carré vers le bas jusqu’au dernier
point d’intersection entre ф et le carré.
Randomisation
Remarque 3 : La solution minmax peut être non unique. C’est le cas où le polyèdre
ф ne coupe pas la première bissectrice et le segment de ce polyèdre ayant la perte
minimale est parallèle au côté du carré
Randomisation
Exemple 4 :
3. Pour quelle distribution à priori la solution randomisée de Bayes est une solution
minmax.
Randomisation
Exercice 1 :
1. Tracer ф.
5. Pour quelle distribution à priori la solution randomisée de Bayes est une solution
minmax.
Randomisation
Exercice 2 : Extrait de l’examen de la théorie de la décision –rattrapage 2016-
Une société « X » construit pour le compte d’une compagnie électrique des générateurs
d’électricité. Le profit net pour chaque générateur est de 40000 dirhams (dh). Cependant, 25%
des générateurs seraient à priori défectueux. La panne n’étant décelée qu’après installation
chez le client, le prestataire est tenu de faire des réparations sur site coûtant 60000 dh l’unité.
La société « X » a une alternative en utilisant un nouveau procédé innovant de fabrication
garantissant 0 pièces défectueuses. Ce procédé étant coûteux ramène le gain de la société à
10000 dh la pièce au lieu de 40000 dh.
1. Montrer que le tableau de perte pour la construction d’un générateur peut être établi
comme suit en spécifiant les états de la nature et les décisions : Θ A a a
1 2
θ1 2 -1
θ2 -4 -1
2. Faut-il utiliser le procédé innovant selon le critère de Bayes ?
3. N’étant pas sûr du pourcentage de pièces défectueuses « p », pour quelles valeurs de « p »,
le procédé trouvé en « 2 » reste optimal ?
4. Le client voudrait renégocier le contrat pour avoir un dédommagement sur chaque pièce
défectueuse. Quelle valeur de ce dédommagement, la société « X » serait prête à payer en
gardant le même procédé trouvé en « 2 » en tant que stratégie optimale ?
5. Un consultant propose un test pouvant garantir de détecter une unité défectueuse avant
son installation chez le client. Quel est le prix maximal que la société serait prête à payer pour
ce test ?
6. Si la compagnie a la possibilité de choisir pour chaque unité construite un procédé différent
(penser randomiser), quelle serait la démarche optimale selon le critère minmax pour la
construction de 100 unités ?
Prise de décision avec
observations
Prise de décision avec observations
Définition 1 :
𝑑∶𝑍⟶𝐴
Une règle de décision d est une application de Z dans A.
𝑧 𝑎 = 𝑑(𝑧)
Définition 3 :
Soit (, A, L) un problème de décision muni d’une distribution à priori λ(), d’un
ensemble Z d’observations et d’une famille de lois 𝑃𝜃 𝜃∈Θ . Le risque de Bayes
Définition 4 :
Définition 5 :
• Remarque 5 :
Toutes les notions établies dans le chapitre « Eléments et critères de décision » sont valables
pour les règles de décision.
Toutes les propositions, les définitions et les démarches de détermination des solutions
randomisées établies sur A sont valables pour D.
Prise de décision avec observations
Analyse en forme normale
Définition 5 : La valeur espérée de l’information imparfaite est définie par :
seulement et sans l’information Z, soit PEM = 𝜌(𝑎∗ ) = min 𝜌 𝑎 telle que calculée
a 𝜖A
Et PEII est la perte espérée avec information imparfaite (Z), soit PEII = 𝜌(𝑑 ∗ ) =
min 𝜌 𝑑 .
𝑑ϵ𝐷
d’avoir l’information Z.
Prise de décision avec observations
Analyse en forme normale
• Exemple 1 :
Considérons le problème de décision (, A, L) relatif à l’octroi du visa de
distribution d’un médicament au niveau national tel que :
𝜃1 : 𝑚é𝑑𝑖𝑐𝑎𝑚𝑒𝑛𝑡 𝑒𝑓𝑓𝑖𝑐𝑎𝑐𝑒
Θ=
𝜃2 : 𝑚é𝑑𝑖𝑐𝑎𝑚𝑒𝑛𝑡 𝑛𝑜𝑛 𝑒𝑓𝑓𝑖𝑐𝑎𝑐𝑒
𝑎1 : 𝐴𝑡𝑡𝑟𝑖𝑏𝑢𝑒𝑟 𝑙𝑒 𝑝𝑒𝑟𝑚𝑖𝑠 𝑑𝑒 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑡𝑖𝑜𝑛
𝐴= 𝑎2 : 𝑅𝑒𝑓𝑢𝑠𝑒𝑟 𝑙𝑒 𝑝𝑒𝑟𝑚𝑖𝑠 𝑑𝑒 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑡𝑖𝑜𝑛
𝑎3 : 𝐸𝑥𝑖𝑔𝑒𝑟 𝑢𝑛𝑒 𝑒𝑥𝑝é𝑟𝑖𝑚𝑒𝑛𝑡𝑎𝑡𝑖𝑜𝑛 𝑠𝑢𝑝𝑝𝑙é𝑚𝑒𝑛𝑡𝑎𝑖𝑟𝑒
Et le tableau de perte comme suit : A a1 a2 a3
𝜃1 0 5 4
𝜃2 8 2 4
𝑧1 : 𝑚é𝑑𝑖𝑐𝑎𝑚𝑒𝑛𝑡 𝑒𝑓𝑓𝑖𝑐𝑎𝑐𝑒
On effectue un prélèvement, on observe Z = et
𝑧2 : 𝑚é𝑑𝑖𝑐𝑎𝑚𝑒𝑛𝑡 𝑛𝑜𝑛 𝑒𝑓𝑓𝑖𝑐𝑎𝑐𝑒
on décide entre les décisions a1, a2 et a3 selon une règle dD. Admettons que la
distribution Pθ de z est comme suit :
1 2
Z
z1 0,9 0,3
z2 0,1 0,7
Prise de décision avec observations
Analyse en forme normale
• Exemple 1 : (suite)
1. Donner l’ensemble des règles dD.
2. Donner le tableau de perte L(θ,d).
3. Donner l’ensemble complet minimal de D.
4. Donner, parmi les règles de décision pures, la solution minmax.
5. Donner, parmi les règles de décision pures, la solution de Bayes par rapport à la
distribution à priori de θ, λ(θ 1)=1/3.
6. Quelle est le prix maximal que le décideur serait prêt à payer pour avoir l’information Z.
7. Donner graphiquement la solution minmax parmi les règles de décision randomisées.
8. Donner graphiquement, parmi les règles de décision randomisées, la solution de Bayes
par rapport à la distribution à priori de θ, λ(θ1)=1/3.
9. Pour quelles valeurs de 𝜆 la règle de décision randomisée solution de Bayes ne serait pas
unique. Trouver dans ce cas l’ensemble des règles de décision randomisées solutions de
Bayes ainsi que le risque de Bayes associé.
10. Pour quelle distribution à priori la règle de décision randomisée solution de Bayes est
une solution minmax.
Prise de décision avec observations
Analyse en forme normale
• Remarque 7 :
Un problème de décision avec observations peut être représenté selon un arbre de
décision tel que :
Chaque nœud correspond à la réalisation de l’expérimentation
𝑧1 : 𝑚é𝑑𝑖𝑐𝑎𝑚𝑒𝑛𝑡 𝑒𝑓𝑓𝑖𝑐𝑎𝑐𝑒
Z= .
𝑧2 : 𝑚é𝑑𝑖𝑐𝑎𝑚𝑒𝑛𝑡 𝑛𝑜𝑛 𝑒𝑓𝑓𝑖𝑐𝑎𝑐𝑒
Une flèche issue d’un nœud indique la décision prise suivant le schéma :
a1
a2
a3
𝑓(𝑧/𝜃)𝜆 𝜃
π = 𝑓(𝜃/𝑧) = 𝑓(𝑧/𝜃)𝜆 𝜃 𝑑𝜃
𝑓(𝑧/𝜃)𝜆 𝜃
𝑓(𝑧/𝜃)𝜆 𝜃
Définition 7 : Le risque de Bayes à postériori associée à la règle de décision d 𝜖 D
La règle optimale de Bayes d* est celle qui pour chaque z 𝜖 Z attribut le risque minimum
de ρ d/z .
Etant donné la fonction de perte quadratique : 𝐿(𝜃, 𝑑)=(𝜃 − 𝑑)², l’estimateur de Bayes
Démonstration :
Qui est une fonction quadratique en x=d(z) de type f(x) =ax²+bx+c qui est minimal en
−𝑏
f’(x)=2ax+b=0, soit en 𝑥 = 2𝑎
= 𝐸𝜋 𝜃 =E(/z).
Prise de décision avec observations
Analyse en forme extensive (AFE)
• Remarque 8 : Etant donné la fonction de perte : 𝐿(𝜃, 𝑑)= 𝜃 − 𝑑 ,
Démonstration :
𝑑(𝑧) +∞
= − −∞ 𝜋 𝜃 (𝜃 − 𝑑(z)) 𝑑𝜃 + 𝑑(𝑧)
𝜋 𝜃 (𝜃 − 𝑑(z)) 𝑑𝜃
Qui est une fonction convexe est dérivable et qui est minimal en
𝑑(𝑧)∗ +∞
𝜕ρ d/z
= 𝜋 𝜃 𝑑𝜃 − 𝜋 𝜃 𝑑𝜃 = 0
𝜕𝑑(𝑧) −∞ 𝑑(𝑧) ∗
Exemple 3 : Soit (Zi)1in tel que Zi~N(ө,σ²) pour tout 1in iid et ө~N(µ0, σ0²).
𝜎² 2 𝜎²𝜎20
𝑛
𝜇 0 +𝜎0 𝑋 𝑛
1. Montrer que à postériori 𝜃/𝑧1 ,𝑧2 , … , 𝑧𝑛 ∼ 𝑁 𝜎²
, 𝜎²
𝑛
+𝜎02 𝑛
+𝜎02
Exercice 6 :
1 1 𝜇−𝑥 2
1. Soit 𝑋 ∼ 𝑁 𝜇, et 𝜃 ∼ Γ 𝛼, 𝛽 . Montrer que 𝜃/𝑥 ∼ Γ 𝛼 + ,𝛽 +
𝜃 2 2
Soit X la durée de vie d’une ampoule LED. Supposons que X suit une loi exponentielle
de paramètre , réel positif, (X~exp()) et que, à priori, ~exp(a).
1. Etant donné une observation x, un entier, de X, montrer que la distribution à
postériori de est une Г(2,x+a).
2. En adoptant la perte quadratique, trouver un estimateur bayésien de .
Rappel :
Une variable aléatoire X~exp() X~ Г(1,)
Une variable aléatoire Y suit une loi de Г(a,b) si sa fonction de densité prend la forme
suivante :
𝑦 𝑎−1 𝑒 −𝑏𝑦 𝑏𝑎
𝑓 𝑦 =
(𝑎)
𝑎 = 𝑦 𝑎−1 𝑒 −𝑦 𝑑𝑦
Prise de décision avec observations
Analyse en forme extensive (AFE)
Exemple 4 : Application aux tests d’hypothèse :
0,2%
𝛼 = 𝑃(𝑑1 /Θ0 )= P I ≥ 𝑘/µ=0,3% avec I ∼ 𝑁(0,3%; ²) sous Θ0 .
3
I−0,3% 𝑘−0,3%
𝛼=P 0,2% ≥ 0,2% = P Z ≥ 0,43 = 0,33: Risque de 1er espèce.
3 3
I−0,3%
Avec Z = 0,2% ∼ 𝑁(0,1)
3
𝛽 = 𝑃(𝑑0 /Θ1 )= P I < 𝑘/µ=0,5% = P Z < −1,3 = 0,097: Risque de 2nd espèce.
Prise de décision avec observations
Analyse en forme extensive (AFE)
Application aux tests d’hypothèse :
Le test revient à construire une règle qui consiste à observer 𝑧1 ,𝑧2 , … , 𝑧𝑛 et de décider
comme suit :
Autrement : H D d0 d1
H0 C00 C01
H1 C10 C11
On rejette 𝐻0 ie on décide d1 si ρ 𝑑0 /𝑧1 ,𝑧2 , … , 𝑧𝑛 > ρ 𝑑1 /𝑧1 ,𝑧2 , … , 𝑧𝑛
𝐿1 (𝐶01 −𝐶00 ) 𝑝0
Ou 𝜋0 𝐶00 + 𝜋1 𝐶10>𝜋0 𝐶01 + 𝜋1 𝐶11. Soit, rejeter H0 si >
𝐿0 (𝐶10 −𝐶11 ) 1−𝑝0
Dans le test minimax, nous utilisons le test de Bayes qui correspond à la distribution à priori λ()
(ou 𝑝0 ) la plus défavorable (Cf. Remarque 4 du chapitre relatif aux probabilités subjectives).
Dans ce cas, la région critique optimale W* est définie par :
En d'autres termes, W* est la région critique qui minimise le risque de Bayes associé à la
distribution à priori λ() la plus défavorable. Autrement, si on suppose que les opérations de
minimisation et de maximisation sont interchangeables, nous avons :
Ainsi, le test de minimax correspond au test de Bayes pour la distribution à priori λ() (ou 𝑝0 ) la
plus défavorable, c'est-à-dire 𝑝0 qui maximise le coût moyen :
𝜌∗ 𝑝0 = 𝐶00 𝑃 𝑑0 /𝐻0 𝑝0 + 𝐶01 𝑃 𝑑1 /𝐻0 𝑝0 + 𝐶10 𝑃 𝑑0 /𝐻1 (1 − 𝑝0 ) + 𝐶11 𝑃 𝑑1 /𝐻1 (1 − 𝑝0 )
Prise de décision avec observations
Analyse en forme extensive (AFE)
Exercice 9 : Un système de communication binaire consiste à envoyer durant chaque
période (T secondes) l’un des deux signaux possibles : s(t) =0 ou s(t)=1. Nous observons
à la réception un signal x(t) =s(t) +n(t) où n(t) est un bruit blanc.
H0 : s(t)=0 et H1 : s(t)=1 et
𝑒− 𝑥 1
𝑓(x/𝐻0 ) = , 𝑓(x/𝐻1 ) = 𝑒 −2 𝑥 , P(𝐻0 ) = 2
2
et
H D d0 d1
H0 0 1
H1 2 0
3
Refaire l’exercice pour P(𝐻0 ) =
4
Prise de décision avec observations
Analyse en forme extensive (AFE)
Exercice 11 : Extrait de l’examen de la théorie des décisions –Décembre 2013-
2. Construire une règle de décision selon le critère de Bayes, pour prendre des
mesures de relance, basée sur I la moyenne observée de la croissance de l’IPP
durant les quatre derniers mois.
3. Si l’on observe sur les quatre mois I1=0,3%, I2=0,32%, I3=0,34% et I4=0,35%, doit-on
prendre des mesures de relance ?
Prise de décision séquentielle
Source : Nedzela
Prise de décision séquentielle
Evolution du problème :
présente un état 𝜃 ∈ Θ. Il en résulte ainsi une perte L(𝜃, 𝑎). Le problème de décision
Il se peut qu’on soit devant un problème où on doit prendre une suite de décisions qui
influencée par celle qui la précède et les conséquences dépendent des nouveaux
états de la nature.
a1
-20
-20
θ 1 (0,6) -30
-30
a2 a3
-2
-2
θ 2 (0,4) θ 3 (0,5)
-8
-11
a4
3
θ 4 (0,5)
1
-2
Prise de décision séquentielle
Pour ce critère, la stratégie optimale est telle que l’on procède dans le sens
décision:
2. Choisir pour chaque nœud décisionnel l’action (ie la branche) donnant la perte
4. Pour quelle valeur de la probabilité que le marché soit favorable, la société devrait
1- a1
-20
-20
-20 θ 1 (0,6) -30
-30
a2 a3
-19,4 -2
-2
θ 2 (0,4) θ 3 (0,5)
-3,5 -8
-11
a4 -3,5
3
θ 4 (0,5)
1
-2
2-
a1
-18
-18
-19,4 θ 1 (0,6) -30
-30
a2 a3
-19,4 -2
-2
θ 2 (0,4) θ 3 (0,5)
-3,5 -8
-11
a4 -3,5
3
θ 4 (0,5)
1
-2
Prise de décision séquentielle
• Cas de prise décision séquentielle avec observations:
Dans le cas de l’existence d’un ensemble d’observations Z, nous considérons les règles
de décision 𝑑 ∶ 𝑧 𝑎 qui à chaque observation associe une décision. La démarche
z 1 (f(z1))
reste la même en introduisant de plus : z 2 (f(z2))
Z .
Z : Le nœud de réalisation des observation. .
.
z n (f(z n))
( ) : Au dessus de chaque branche issue de ce nœud la probabilité de réalisation
d’une observation.
On calcule les probabilités à postériori qui remplacent dans l’arbre de décision celles à
priori.
Exemple 3 :
Reprendre l’arbre de décision de l’exemple 1 dans sa première étape (ie sans la partie
concernant la campagne publicitaire) avec en plus une étude de marché qui peut être
faite avant le lancement du nouveau produit. Cette étude permet d’observer 1 2
Z
𝑧1 : 𝑚𝑎𝑟𝑐ℎé 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒 z1 5/6 ½
Z= tel que la distribution Pθ de z est :
𝑧 : 𝑚𝑎𝑟𝑐ℎé 𝑑é𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒 z2 1/6 ½
Prise de décision séquentielle
a
Exemple 3 : (Suite) 1 -20
a1
-20 z 1 (0,7) θ 1 (5/7)
-20 -30
1-
θ 2 (2/7)
Z -2
a1
-20
z 2 (0,3) θ 1 (1/3)
-30
a2
θ 2 (2/3)
-2
a1
-20
a1 z 1 (0,7) θ 1 (5/7)
2- -20
-20 -22 -30
-21,4 -22
θ 2 (2/7)
Z -21,4 -2
a1
-20
z 2 (0,3) θ 1 (1/3)
-20 -30
a2 -34/3
θ 2 (2/3)
-2
Remarque 1 : Cette stratégie reste optimale tant que le coût de l’étude est gratuit, sinon la
société serait prête à payer la VEII = 1,4 million de dirhams (calculée dans le chapitre
précédent) pour faire cette étude sinon elle maintiendra l’ancien produit.
Exercice 1 :
Prise de décision séquentielle
Une société de BTP « INSEABTP » vient de s’adjuger un marché pour la construction
d'un pont. La durée du marché est de 18 mois. La société estime la construction d’un
pont sur piliers en 12 mois à un coût mensuel de 150 millions de dirhams. Pour un
pont suspendu, elle doit faire des tests de la résistance du sol (en 6 mois à un coût
mensuel de 20 millions de dirhams) et des câblages (en 6 mois à un coût mensuel de
80 millions de dirham). Les tests peuvent être réalisés simultanément ou
successivement. Si les tests sont concluants, la société peut construire le pont
suspendu en 6 mois à un coût mensuel de 160 millions de dirhams. Le service des
études de la société estime qu'il y a 9 chances sur 10 pour que le sol s'avère
suffisamment solide et 3 chances sur 4 pour que les câblages le soient également. En
cas extrême, et en faisant appel à l’aide d’une société concurrente (soit un sérieux
coup à sa notoriété), la société « INSEABTP » peut construire le pont sur piliers en 6
mois à un coût mensuel de 160 millions de dirhams.
Quelle est la stratégie optimale qui minimise la perte espérée totale et quelle serait ce
coût ?
Prise de décision collective
PRISE DE DECISION COLLECTIVE
DICTATORIALITE
MAJORITE
𝑛
• 𝑥𝑅 𝑦 # 𝑖/𝑥𝑅𝑖 𝑦 >
2
MAJORITE PONDEREE
1
• 𝑥𝑅 𝑦 𝑖/𝑥𝑅𝑖 𝑦 𝑝𝑖 > 2 où 𝑝𝑖 est le poids de l’individu « i ».
1
• 𝐷𝑎𝑛𝑠 𝑙𝑒 𝑐𝑎𝑠 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑗𝑜𝑟𝑖𝑡é 𝑠𝑖𝑚𝑝𝑙𝑒 𝑝𝑖 = 𝑛 ∀𝑖𝜖 1, 𝑛
𝑖≠𝑗 𝑝𝑖
o Dans ce cas 𝑥𝑅 𝑦 𝑖/𝑥𝑅𝑖 𝑦 𝑝𝑖 > .
2
PARADOXES DE PRISE DE DECISION COLLECTIVE
PARADOXE DE CONDORCET OU DE LA REGLE DE MAJORITE :
• La collectivité ne peut pas toujours être simultanément transitive et
respectueuse de la règle de majorité.
PARADOXE DE REPRESENTATIVITE :
G1 20 40 𝑦𝑅𝑥
G2 20 40 𝑦𝑅𝑥 𝒚𝑹𝒙
G3 60 0 𝑥𝑅𝑦 ≠
Collectivité 𝟏𝟎𝟎 𝟖𝟎 𝒙𝑹 𝒚
(Règle de majorité)
PARADOXES DE PRISE DE DECISION COLLECTIVE
THÉORÈME D’ARROW : Les cinq conditions suivantes ne peuvent être simultanément
satisfaites :
INSEA 2017/2018
Boumahdi Ilyes
ilyesboum@yahoo.fr
Supports du cours : https://sites.google.com/site/ilyesboumahdi/
* Ce document sujet à enrichissement. Merci de m’envoyer toute remarque pouvant en améliorer le
contenu et la forme. Version : 03-11-17 09:57