Aller au contenu
ELECTRONICS ENGINEERINGelectronics-engineering.com
Gestion d'entreprise

Les décisions en situation d'incertitude

Critères de décision, valeur espérée, un arbre de décision avec un exemple, valeur non négative de l'information parfaite démontrée, utilité, options réelles, biais cognitifs.

https://www.electronics-engineering.com/fr/decisions-sous-incertitude-arbre-de-decision-valeur-de-l-information/

Pas encore de vote : soyez le premier à noter cette page.

Lancer un produit, construire une nouvelle usine, investir dans une technologie pas encore mûre : on prend des décisions importantes sans savoir comment les choses vont se passer. La théorie de la décision n’élimine pas l’incertitude, mais la rend explicite et permet de comparer les alternatives de façon cohérente. Dans cette leçon, nous regardons les critères de décision, les arbres de décision avec un exemple, la valeur de l’information parfaite avec la démonstration qu’elle n’est jamais négative, et les limites de la valeur espérée.

Les critères

Une décision comporte des alternatives a, des états du monde incertains \theta et des résultats U(a, \theta). Sans probabilités, on utilise des critères comme le maximin (choisir l’alternative dont le pire résultat est le meilleur, le point de vue du pessimiste) ou le regret minimax (minimiser la différence maximale avec le choix qui aurait été optimal a posteriori). Avec des probabilités estimées P(\theta), le critère standard est la valeur espérée :

    \[ EV(a) = \sum_\theta P(\theta)\,U(a, \theta) \]

et l’on choisit l’alternative qui la maximise.

L’arbre de décision

Les décisions à plusieurs étapes se représentent par un arbre : les carrés sont des décisions, les cercles des événements aléatoires, les feuilles des résultats. On le résout à rebours : à chaque nœud aléatoire, on calcule la valeur espérée ; à chaque nœud de décision, on choisit la meilleure branche.

Arbre de décision pour le lancement d'un produit
Depuis le nœud de décision, on peut lancer le produit (L) ou ne pas le lancer (N, résultat 0). S’il est lancé, avec la probabilité 0,4 il réussit (plus 500) et avec la probabilité 0,6 il échoue (moins 200) : la valeur espérée est 80, qui devient la valeur de la décision. La valeur de l’information parfaite est 120.

Exemple. Lancer un produit a un coût ; avec la probabilité 0,4 il réussit et apporte un résultat net de +500 (milliers d’euros), avec la probabilité 0,6 il échoue et apporte -200. Ne pas lancer vaut 0. La valeur espérée du lancement est 0.4\cdot 500 + 0.6\cdot(-200) = 80 \gt  0 : on lance.

La valeur de l’information

Une étude de marché pourrait réduire l’incertitude avant de décider. Combien vaut-elle ? Une borne supérieure est la valeur de l’information parfaite : si l’on connaissait à l’avance l’état du monde, on choisirait chaque fois la meilleure alternative.

    \[ EVPI = \sum_\theta P(\theta)\max_aU(a, \theta) - \max_a\sum_\theta P(\theta)U(a, \theta) \]

Théorème. La valeur de l’information parfaite n’est jamais négative.

Démonstration. Pour toute alternative a et tout état \theta, \max_{a'}U(a', \theta) \ge U(a, \theta). En multipliant par P(\theta) \ge 0 et en sommant sur \theta : \sum_\theta P(\theta)\max_{a'}U(a', \theta) \ge EV(a) pour tout a, donc aussi pour l’alternative qui maximise EV. La différence est donc non négative. ∎

Exemple. Avec l’information parfaite, on ne lancerait qu’en cas de succès : 0.4\cdot 500 + 0.6\cdot 0 = 200. L’EVPI est 200 - 80 = 120 : aucune étude de marché ne peut valoir plus de 120 mille euros. Les études réelles sont imparfaites (parfois elles prédisent le succès et le produit échoue) ; leur valeur se calcule avec un arbre plus grand, en actualisant les probabilités avec le théorème de Bayes (leçon de Théorie des signaux sur les probabilités) selon le résultat de l’étude, et elle est toujours inférieure à l’EVPI.

Au-delà de la valeur espérée

La valeur espérée est le bon critère pour des décisions répétées et petites par rapport à la taille de l’entreprise : à long terme, la bonne et la mauvaise chance s’annulent. Pour des décisions grandes et uniques, le risque compte aussi : un projet à valeur espérée positive mais avec 10 % de probabilité de ruiner l’entreprise peut être inacceptable. On utilise alors :

  • l’utilité espérée, avec une fonction d’utilité concave qui pèse les grandes pertes plus que proportionnellement (aversion au risque) ;
  • l’analyse du pire cas et des limites d’exposition ;
  • les options réelles : dans beaucoup de projets, on peut décider par étapes, en investissant peu dans une phase pilote et le reste seulement si les choses vont bien. La possibilité d’arrêter a une valeur, qu’un simple calcul de valeur actuelle nette (leçon d’Économie d’entreprise sur les investissements) ne voit pas.

Il y a aussi la difficulté humaine d’estimer des probabilités : on tend à surestimer ses propres prévisions, à se laisser influencer par le premier nombre qu’on entend (ancrage) et à poursuivre des projets perdants pour ne pas admettre l’erreur (coûts irrécupérables). Expliciter les hypothèses dans un arbre aide à en discuter.

S’abonner
Notifier de
guest
1 commentaire
Le plus ancien
Plus récent Les plus votés
1
0
Vous avez apprécié cet article ? Merci de laisser un commentaire.x