Académique Documents
Professionnel Documents
Culture Documents
Introduction
Introduction
On présente dans ce cours un certain nombre de méthodes de modélisation qui
permettront, lorsqu’on est confronté à des situations aléatoires, d’améliorer sa prise
de décision grâce à une meilleure compréhension de la situation et à une plus grande
maitrise de sa stratégie.
Le risque est généralement généré par le hasard qui est omniprésent, dans notre vie
comme dans celles des entreprises, mais souvent ignoré et rarement intégré dans nos
analyses et nos prévisions.
Mesurer les conséquences de telle situation par l’intuition et le bon sens induit
souvent en erreur.
Nous allons voir trois exemples, illustrant des difficultés classiques auxquelles on se
trouve confronté, face à des situations hasardeuses :
• La confusion dans la définition des événements ;
• La confusion entre les probabilités a priori et a posteriori ;
• L’effet dis-torseur des probabilités extrêmes, proche de 0 ou 1.
La confusion dans la définition des
événements
Supposons, en jouant à Pile ou Face, vous ayez obtenu 9 fois Pile d’affilée.
C’est quoi la probabilité d’obtenir Pile au 10ème lancer ?
Quelle est la probabilité que l’autre face soit rouge elle aussi ?
La réponse la plus fréquente est « 1 chance sur deux » car il ne peut s’agir de la carte
B/B ; c’est donc soit la carte R/R ou R/B.
On numérote les faces ; il y a trois faces rouges (R1, R2, R3) qui ont la chance d’être
pris initialement.
La probabilité que la face initiale soit R1 ou R2 est 2/3 ; dans les deux cas, l’autre
face est rouge. CQFD
Probabilité a priori et a posteriori
Le jeu télévisé
Vous êtes sur un plateau de télévision, en train de participer à un jeu. Vous avez
trois portes devant vous et l’animateur explique qu’un chèque de 10000 euros
vous attend derrière l’une des deux portes, et il n’y a rien derrière les deux
autres portes.
Vous devez choisir une porte pour voir si vous avez gagné ou non. Vous
sélectionnez une porte et, juste avant que vous ne l’ouvriez, l’animateur, qui sait
qu’elle est la porte gagnante, vous arrête, ouvre une des deux autres portes,
vous montre qu’il n y a rien derrière et vous dit : « Si vous me donnez 1000
euros, je vous permettrai de modifier votre choix de porte ».
Lors du choix initial, vous avez une chance sur 3 que votre porte soit la bonne. Donc,
si vous n’acceptez pas le choix de l’animateur, la probabilité reste 1/3 et ne passe
pas à 1/2.
La probabilité de choisir une mauvaise porte initialement est de 2/3. Si vous avez
choisi initialement une mauvaise porte et si vous acceptez l’offre de l’animateur,
vous aurez forcement la bonne porte, puisque l’autre mauvaise porte a été ouverte
par l’animateur. Donc, vous avez 2/3 chance de gagner le lot de 10000 euros si vous
accepter la proposition de l’animateur.
C’est une méthode systématique censée donner à un joueur une espérance de gain
positive ; c’est-à-dire que, s’il pouvait jouer assez longtemps, le montant cumulé de
ses gains serait supérieur à celui de ses pertes.
Une marginale type est donnée par le schéma suivant(Diagramme réel d’une
marginale à la roulette), avec G pour gain et P pour perte ; la mise est indiqué dans
les cercles.
L’effet dis-torseur de l’infiniment petit
Les marginales
A départ, on mise 1 $. Si on gagne (chance 1/2), on sort avec un résultat net de +1
(gain de 1 $). Si l’on perd, on double la mise. Si l’on gagne, on sort avec un résultat
net de +1 (on aura gagné 2 $ après avoir perdu 1 $)….
Le joueur se dit donc qu’il suffit de doubler la mise à chaque perte pour finir avec un
gain net de 1 euros. Le problème est qu’il faudra finir par miser de très grande
somme au cas où il y aura de nombreuses pertes successives ; Si l’on perd 14 fois de
suite, il faut miser 2^14 $ (soit 16384 $), la 15eme fois….
La fortune d’un joueur est finie et il doit forcément s’arrêter à un moment donné.
En conclusion
La simulation de Monte Carlo est la plus flexible et la plus riche ; elle présente
plusieurs avantage :
• Elle prend le hasard en compte de façon plus fine ;
• Elle permet de construire rapidement de véritables modèles d’aide à la
décision ;
• Elle n’exige pas la définition de fines probabilités ou de courbes d’utilités ;
• Pouvoir être appliquée à presque toutes les situations d’entreprise, et
grâce au tableur et des add-ins spécialisés (comme crystal ball) permet de
construire des modèles tout à fait performant et un coût intéressant.
Evaluation :
• Examen écrit
• Cas d’études à traiter
• Assiduité