LA THEORIE D’INCERTITUDE

La théorie de Définition
probabilité La théorie Définition
 d’incertitude

(Ω A M) ; avec (T, L, M) ; avec

Espace de Ω : univers Espace T : univers

Probabilités L : Tribu dans T d’incertitude L : Tribu dans T
M : mesure d’incertitude (noté aussi Cr) M : mesure d’incertitude (noté aussi Cr)

{ξ ϵB}
On appelle événement toute
partie de Ω  qui appartient à C’est un sous ensemble de T
Evénement la tribu A. Evénement
c.-à-d.
{ξ ϵB}
{ξ ϵB}= { γ ϵ T / ξ (γ ) ϵ B}

Avec B est le tribu de Borel

Variable aléatoire X  : (Ω A M) ⟼ R Variable ξ  : (T; L; M) ⟼ R

incertaine

tels que {ξ ϵB} est un événement pour tout tels que {ξ ϵB} est un événement pour tout
ensemble Borel B de nombres réels. ξ
ensemble Borel B de nombres réels.

Fonction densité f(x) Fonction ϕ ( x)

de probabilité densité de
crédibilité 1

F ( x )=P ( X < x ) Fonction de Ф ( x )=¿

crédibilité
Fonction de x x
(distribution
répartition ¿ ∫ f ( y)dy de Cr ¿ )¿ ∫ ϕ ( y ) dy
−∞ l’incertitude −∞
)2
X est une variable aléatoire continue. ξ est une variable floue .

1
Uncertainty Theory, Liu.
A New Approach to Risk Comparison via Uncertain Measure
Liu B, Uncertainty Theory, 2nd edn, Springer-Verlag, Berlin, 2007.
2
Uncertainty Theory, Liu.
 indépendance n événements  A1 , A 2 ,.. , A n  sont indépendanc
Les variables incertaines
e
dits indépendants si, pour toute ξ 1 ,ξ 2 ,.. , ξ n sont indépendants si
partie  Ai  on a
M{¿ i=1 ¿ n ¿ ¿ ¿)} =
¿ i=1 ¿ n M {ξi ϵ Bi }
n

P{¿ i=1 ¿ n A i)}= ∏ P { A i } pour tout les tribus de borels Bi.

i=1

Espérance E(X) Crédibilité

attendue
+∞ E(ξ ) 3 +∞ 0
¿ ∫ xf ( x) = ∫ Cr ( ξ ≥ r ) dr − ∫ Cr ( ξ ≤r ) dr
−∞ 0 −∞

1
= ∫ Ф−1 ( x ).dx
0

Variance V ( X)
2
¿ E ( X −E ( X ) ) =E ( X ²)−E (X ) ² Variance ¿ E[ ( ξ−E ( ξ ) ) ¿¿ 2]¿
V (ξ)
¿ E(ξ ²)−E (ξ)²

n 1
1
¿ ∑ ¿ ¿ ( X i−X )( Y i−Y ) ¿ 1
¿ ¿
¿ ∫¿¿
n i=1 ¿ 20
Covariance Covariance
Cov ( X , Y ) '
Cov ( X , Y ) + ¿ (r ) ¿
X i et Y i est ≤cours dutitre X à l instant i X −¿ (r ) et X ¿
sont des variables aléatoires
. réels.

¿ ¿
X et Y est la moyenne du cours du titre X X(r)=¿ ¿]

et Y .

Cov( X ,Y )
=
σ X . σY
Corrélation
Cor(X,Y)
σ X est l’écart type de X

3
A Note of the Expected Value and Variance of Fuzzy Variables.
 σ Y est l’écart type de Y

Ф ( t (t ,+ ∞))=
la probabilité

{
conditionnelle de A s 0 si Ф ( x ) ≤ Ф (t )
achant que B s'est Ф(x)
: 5 siФ ( t ) <Ф ( x ) ≤(1+Ф ( t ))/2
réalisé est 1−Ф (t )
0

Ф ( x )−Ф ( t ) 1+Ф ( t )
si ≤ Ф (x )
1−Ф ( t ) 2
Le
conditionnement P ( A / B)
P(A/B)= P(B)
Ф ( t /(−∞ ; t) )=

{
Ф(x)
siФ ( x ) ≤Ф ( t ) /2
Ф (t )
Ф ( x ) +Ф ( t ) −1 Ф (t )
v 0 : 5 si ≤ Ф ( x ) <Ф ( t )
Ф (t ) 2
1 siФ ( t ) ≤Ф ( x )
 Chapitre 1 Espace d’incertitude

I. Définitions

a. Tribu

Soit T un ensemble non vide.

L est appelée tribu de T si :
*T∈L
* Si A∈L alors Ac ∈ L
* Si A1 , A 2,... , A n∈ L alors ¿ i=1 ¿ n A i ∈ L

L est appelée σ-algèbre sur T si la dernière condition est remplacée

par :

*Si A1 , A 2,... , A n∈ L alors ¿ i=1 ¿ ∞ A i ∈ L

b.Exemple

Soit T= {a, b, c}
L’ensemble L= {{a},{b;c}, T, ϕ} est une tribu de T.

c. espace mesurable

Soit T un ensemble non vide et L est une tribu de T.

Alors (T,L) est appelé espace mesurable et tout élément de L est appelé
ensemble mesurable.
 d. exemple

Prenons les données de l’ensemble précédant.

(T,L) est un espace mesurable et {a},{b;c}, T, ϕ sont des événements
mais {b},{c},{b,a}ne le sont pas.

e. tribu de Borel

La plus petite σ-Algèbre B contenant tous les intervalles ouverts est

appelée algèbre de Borel sur l'ensemble des nombres réels, et tout
élément de B s'appelle un ensemble de Borel.

II. mesure d’incertitude

a. définition

Soit (T,L) un espace mesurable.

Dans la théorie de l’incertitude, un ensemble mesurable est appelé un
événement.

Dans la suite, on va définir une mesure d’incertitude M dans la tribu L.

Le nombre réel M(A) désigne le dégrée de croyance dont on croit que

l’événement A se réalisera.
La mesure d’incertitude M doit vérifier 3 axiomes :

Axiome 1 : (normalité) M(T)=1

Axiome 2 : (dualité) M(A) + M( Ac ) = 1

∞
Axiome 3 : (sous-additivité) M{¿ i=1 ¿ ∞ A i} ≤ ∑ M ( A i)
i=1

b. remarque :
 Une mesure d’incertitude est interprétée comme le degré de croyance
personnelle (et non la fréquence) d'un événement incertain susceptible
à se produire. Ainsi, mesure d’incertitude et degré de croyance sont
synonymes et seront utilisés de manière interchangeable dans ce
rapport.

III. Espace d’incertitude

a. Définition

Soit T un ensemble et L une tribu dans T et M une mesure d’incertitude.

Le triplet (T, L, M) est appelé un espace d'incertitude.

b. exemple

Soit T= {a, b, c} et L une tribu de T.

Définissons la mesure d’incertitude M par :

M(a)=0.5 , M(b)=0.3 , M(c)=0.4

Le triplet (T,L,M) est un espace d’incertitude.

 Chapitre 2 Variables incertaines

La variable incertaine est un concept fondamental de la théorie de l'incertitude.

Il est utilisé pour représenter des quantités avec incertitude. Cette section met
principalement l’accent sur les variables incertaines, la distribution des
incertitudes, l’indépendance, l’espérance mathématique, la variance, les
moments, la distribution des incertitudes conditionnelles et la séquence
incertaine.

I. Variables incertaines

a. Définition

Une variable incertaine est une fonction ξ de l’espace d’incertitude (T; L; M) à

l'ensemble des nombres réels tels que {ξ ϵB} est un événement pour tout
ensemble Borel B de nombres réels.

Fig. Variable incertaine

 b. Remarque

L’événement {ξ ϵB} est un sous ensemble de T c.-à-d.

{ξ ϵB}= { γ ϵ T / ξ (γ ) ϵ B}

II. la distribution de l’incertitude

Cette section introduit le concept de distribution d'incertitude afin de décrire les

variables incertaines.

a. Définition

La distribution d'incertitude Ф d'une variable incertaine ξ est défini par

Ф ( x )=M ¿) ; Pour tout réel x.

Fig. Distribution d’incertitude

b. Définition

Les variables incertaines sont dites identiquement distribuées si elles ont la

même distribution d'incertitude.

ξ est une variable

incertaine Sa distribution d’incertitude La représentation
Ф(x) graphique de Ф ( x )
 {
0 si x <a
x−a
Linéaire ¿ sia ≤ x ≤ b
b−a
¿ 1 si x >b
L(a , b)

{
0 si x ≤ a
x−a
¿ si a ≤ x ≤ b
2(b−a)
Triangulaire x+ c−2 b
si b ≤ x ≤ c
(Zigzag) 2(c−b)
¿ 1 si x> c
Z(a,b,c)

Normale
¿¿
N(e,σ )

¿¿
Lognormale
x≥0
LOGN(e,σ )

c. Exemples :
  Quelqu'un pense que la taille de yousef est comprise entre 180 et 190
centimètres. La hauteur de yousef est alors une variable incertaine
linéaire L(180; 190) dont la distribution d'incertitude est

{
0 si x<180
Ф ( x )= ¿ x−180 si 180 ≤ x ≤190
10
¿ 1 si x> 190

 Si une quantité n’est donnée que par la médiane les bornes inférieure et
supérieure, elle est alors sous forme de zigzag. Par exemple, quelqu'un
pense à la hauteur de yousef se situe entre 180 et 190 centimètres et la
médiane est de 187 centimètres. La hauteur de yousef alors est une
variable incertaine en zigzag Z (180; 187; 190) dont la distribution est

{
0 si x ≤ 180
x−180
¿ si 180 ≤ x ≤187
Ф ( x )= 14
x −184
si187 ≤ x ≤ 190
6
¿ 0 si x >190

d. Théorème

Soit ξ une variable incertaine avec une distribution d'incertitude

Ф . Pour tout nombre réel x, on a :

M(ξ ≤ x ) =1- M(ξ > x )=1-Ф (x)

e- Démonstration

En utilisant l’axiome de la dualité d’une mesure de l’incertitude, on a :

M(ξ > x ) =1- M(ξ < x ) =1-Ф (x)

f- Remarque

Si Ф est continue alors Ф (x) = M(ξ < x ) et 1- Ф (x) =M(ξ ≥ x ).

g- Définition
 Une distribution d'incertitude Ф (x) est dite régulière si elle est une fonction
lim Ф( x )=1 et lim Ф ( x)=0
continue et strictement croissante, et 0< Ф (x) <1 et x⟼ +∞ x⟼−∞

h- Exemple

La distribution de l’incertitude linéaire, la distribution de l’incertitude en

zigzag, la distribution de l’incertitude normale et la distribution de l’incertitude
lognormale sont toutes régulières. Cependant, la distribution de l'incertitude Ф
(x) =0.5 ne l'est pas.

III. l’inverse de la distribution de l’incertitude

1- Théorème

Puisque la distribution d’incertitude régulière Ф est continue sur R et

strictement croissante sur R alors elle possède une fonction réciproque noté Ф−1
et définie sur l’intervalle] 0,1[.

2- Exemples

ξ est une
variable Sa distribution d’incertitude La représentation
incertaine réciproque Ф−1 graphique de Ф−1

linéaire Ф (α ) = (1-α ).a + ab

−1

Ф−1(α ) =
Triangulaire
(en zigzag)
{ ( 1−2α ) . a+ 2 αb , si α <0.5
( 2−2 α ) . b+ ( 2 α −1 ) c , si α ≥0.5
 Normal Ф (α ) = e +
−1 √ 3σ α
.ln( 1−α )
π

3- Théorème

On dit qu’une fonction Ф−1 est une distribution d’incertitude réciproque d’une
variable incertaine ξ si et seulement si

M(ξ ≤Ф−1 (α )) =α , pour tout α ϵ ]0,1[

4- Démonstration

Supposons que Ф−1est une distribution d’incertitude réciproque de ξ .

Alors pour tout α on a ; M(ξ ≤Ф−1 (α )) =Ф(Ф ¿¿−1(α ))¿ =α

Réciproquement ; posons que Ф−1( α )= x donc α = Ф (x) et

M(ξ ≤ x )=α =Ф( x )

5- Théorème

Soit ξ une variable incertain avec distribution d’incertitude réciproqueФ−1(α ).

M(ξ ≤c ) ≥α si et seulement si Ф−1(α )≤ c .

Avec α et c deux constants et 0<α <1

6- Démonstration

M(ξ ≤c ) =Ф( c) ≥α ce qui équivaut Ф−1(α ) ≤ c.

IV. Valeur à risque / valeur à risque conditionnelle4

La mesure du risque est le cœur de l'analyse des risques. Pour cela, nous
introduisons ici des mesures de risque incertaines citées de Peng (2009a,
2009b).

1. Définition (Beng 2009)

Si ξ unevariable floue (variable incertaine) et α ∈ [ 0,1 ] le niveau de confiance

du risque, alors la VaR de ξ est la fonction VaRα : [ 0,1 ] → R tel que

VaRα (ξ ) =inf {x | Cr ( ξ ≤ x ) > α }

Ille est claire que la VaR est en réalité un quantile de la distribution

d'incertitude d'une variable incertaine. Pour un niveau de confiance du risque
0<α≤1. Nous avons donc :

VaRα (ξ ) = inf {x | Ф ( x ) > α } = Ф−1(α)

Tel que Ф−1 est la fonction réciproque de Ф .

2. Définition (Beng 2009)

Si ξ unevariable floue (variable incertaine) et α ∈ [ 0,1 ] le niveau de confiance

du risque, alors la CVaR de ξ est la fonction C VaR α: [ 0,1 ] → R tel que
1
1
CVaR α (ξ ) = ∫ VaRα (ξ ). dα
1−α α

3. Applications

4
A Note of the Expected Value and Variance of Fuzzy Variables.
  Soit ξ une variable floue linéaire.

Sa fonction de distribution d’incertitude est :

{
0 si x ≤ a
x−a
Ф ( x )= si a≤ x <b
b−a
1 si x ≥ b

Donc Ф−1(α ) = (1-α ).a + ab et par conséquent : VaRα (ξ ) = (1-α )a + ab

1
1 1
Et : CVaR α (ξ ) = ∫
1−α α
[( 1−α ) a+ ab] . d α=α + (b-a)(1+α )
2

 Soit ξ une variable floue normal dont sa distribution d’incertitude est :

Ф ( x )=¿ ¿

VaRα (ξ ) = e + √ 3 σ .ln(
α
On a : 1−α
)
π

CVaR α (ξ ) = e - √ 3 σ [ ln(1-α)+
α
Et : 1−α
ln ⁡(α ) ]
π

V. l’indépendance

Une variable incertaine est une fonction mesurable d'un espace d'incertitude à
l'ensemble des nombres réels. L'indépendance de deux fonctions signifie que
connaître la valeur de l'une ne change pas notre estimation de la valeur de
l'autre. Un cas typique est qu'ils sont définis sur différents espaces d'incertitude.

1. Définition

Les variables incertaines ξ 1 ,ξ 2 ,.. , ξ n sont indépendants si

M{¿ i=1 ¿ n ¿ ¿ ¿)} = ¿ i=1 ¿ n M {ξi ϵ Bi }

pour tout les tribus de borels B i.

 2. Théorème

Les variables incertaines ξ 1 ,ξ 2 ,.. , ξ n sont indépendants si et seulement si

M{¿ i=1 ¿ n(ξ ¿ ¿ i ϵ Bi)¿} = ¿ i=1 ¿ n M {ξi ϵ Bi }

pour tout les tribus de borels B i.

3. Démonstration

M{¿ i=1 ¿ n(ξ ¿ ¿ i ϵ Bi)¿}=1-M{¿ i=1 ¿ n ¿ ¿ ¿)}

=1-¿ i=1 ¿ n M {ξi ϵ Bci }=¿ i=1 ¿ n M {ξi ϵ Bi }

VI. La valeur attendue (l’espérance mathématique)

1. Définition

Soit ξ une variable incertain. La valeur attendue de la variable incertaine ξ est

définie par
+∞ 0

E(ξ )= ∫ M ( ξ ≥ r ) dr − ∫ M ( ξ ≤r ) dr
0 −∞

2. Théorème

Si ξ une variable incertaine et Ф sa distribution d’incertitude, alors :

+∞ 0

E(ξ )= ∫ (1−Ф (r )) dr − ∫ Ф(r )dr

0 −∞
 3. Conséquences

Si ξ une variable incertaine et Ф sa distribution d’incertitude, alors :

+∞

 E(ξ ) = ∫ xd Ф(x ) (Obtenu via intégration par partie du théorème précédant)

−∞
1

 E(ξ ) =∫ Ф ( α ) . dα (En substituant Ф( x ) par α )

−1

 Soient ξ , η deux variables incertaines indépendantes d’espérances

mathématiques finies. pour tout nombre réel a et b, nous avons :
E(aξ +bη)= aE(ξ )+bE(η)

VII. La Variance

La variance de la variable incertaine fournit un degré de dispersion de la

distribution autour de sa valeur attendue. Une petite valeur de variance indique
que la variable incertaine est étroitement concentrée autour de sa valeur
attendue; et une grande valeur de variance indique que la variable incertaine a
un large écart autour de sa valeur attendue.

1. Définition

Soit ξ une variable incertain d’espérance finie e.

V(ξ )¿ E[ ( ξ−e ) ¿¿ 2]¿

Cette définition nous dit que la variance est simplement la valeur attendue de
( ξ−e )2. Puisque ( ξ−e )2 est une variable incertaine non négative, nous avons
aussi :
+∞

V(ξ )¿ ∫ M ( ( ξ−e ) ≥ r ) dr
2

0
2. Théorème

Soit ξ une variable incertain d’espérance finie e et a et b deux réels.

V(a ξ +b ) ¿a²V(ξ )

3. Proposition

Soit ξ une variable incertaine de distribution d'incertitude Ф et d’espérance

mathématique e, alors :
+∞

V(ξ )¿ ∫ ( 1−Ф ( e+√ x ) +Ф ( e−√ x ) ) dx

0

4. Démonstration
+∞

V(ξ )¿ ∫ M ( ( ξ−e )2 ≥ x ) dx
0

+∞
¿ ∫ M ( ( ξ−e ) ≥ √ x U ( ξ−e ) ≤ √ x ) dx
0

+∞

≤ ∫ M ( ( ξ−e ) ≥ √ x ¿ + M ( ξ−e ) ≤ √ x ) dx
0

+∞

=∫ ( 1−Ф ( e+ √ x ) +Ф ( e−√ x ) ) dx
0

5-Théorème

Soit ξ une variable incertaine de distribution d'incertitude Ф et d’espérance

mathématique e, alors :
+∞

V(ξ )¿ ∫ ( x−e ) ² d Ф(x)

−∞

6. Démonstration

Un simple changement de variable y=e + √ x

7. Théorème
 Soit ξ une variable incertaine de distribution d'incertitude Ф et d’espérance
mathématique e, alors :
1

V(ξ )¿ ∫ ( Ф (α )−e ) ² d α
−1

8. Démonstration

Un simple changement de variable Ф( x )= α

9. exemple

Soit ξ la variable incertaine linéaire L(a,b) de distribution d’incertitudeФ .

On sait que : Ф (α ) = (1-α ).a + ab

−1

1 1

Donc E(ξ )¿ ∫(Ф −1

(α )) d α =∫ ((1−α ). a+ab)d α =ab+a/2
0 0

Donc V(ξ )¿ ∫ ( Ф−1 (α )−e ) ² d α

0

=∫ ¿ ¿ – ab-a/2) d α
0

VIII. Distribution d’incertitude Conditionnelle

1. Définition

La distribution d'incertitude conditionnelle d'une variable incertaine sachant

A est défini par

Ф ( x / A )= M ¿)

Avec M(A)>0

2. Théorème

Soit ξ une variable incertaine de distribution d'incertitude Ф .et soit t un réel

telle que Ф(t ) < 1.
 La distribution d’incertitude conditionnelle de ξ sachant ξ >t est définie par :

{
0 si Ф ( x ) ≤ Ф (t )
Ф(x)
:5 siФ ( t ) <Ф ( x ) ≤(1+Ф ( t ))/2
Ф ( t /(t ,+ ∞) ) = 1−Ф (t )0
Ф ( x )−Ф ( t ) 1+Ф ( t )
si ≤ Ф (x )
1−Ф ( t ) 2

La distribution d’incertitude conditionnelle de ξ sachant ξ ≤t est définie par :

{
Ф(x)
siФ ( x ) ≤Ф ( t ) /2
Ф (t )
Ф ( t /(−∞; t) )= Ф ( x ) +Ф ( t ) −1 Ф (t )
v 0 : 5 si ≤ Ф ( x ) <Ф ( t )
Ф (t ) 2
1 siФ ( t ) ≤Ф ( x )

IX. La Convergence

La séquence incertaine ou bien la suite incertaine est une suite de variables

incertaines indexées par des entiers.

Cette section présente quatre concepts de convergence de séquence incertaine 5:

convergence presque sûrement (p.s.), convergence en mesure, convergence
en moyenne et convergence en distribution.

Dans la suite, supposons que ξ , ξ1, ξ 2 , ξ 2 ,..., ξ n sont des variables floues et
Ф , Ф1 ,Ф 1 , … , Фn leurs distributionsde l’incertitude respectivement.

1. Définition

On dit que la suite {ξi } converge presque surement vers ξ si

(
Cr lim ξ i=ξ = 1
i→ ∞ )
5
The variance and covariance of fuzzy random variables and their applications.
 De manière équivalente, s’il existe un événement A de Ω avec
Cr (A )=1 tel que pour tout α ϵ A: lim ¿ ξi ( α )−ξ ( α ) ∨¿ ¿ = 0
i→∞

On écrit ξ i → ξ p.s .

2. Définition

On dit que la suite {ξi } converge en mesure (ou bien en mesure de

crédibilité) vers ξ si

lim Cr(¿ ξi−ξ∨≥ α )= 0, pour tout α >0

i→∞

3. Définition

On dit que la suite {ξi } converge en moyenne vers ξ si

lim E ¿ = 0
i→∞

4. Définition

On dit que la suite {ξi } converge en distribution (ou bien en loi) vers ξ si

lim Фi ( x ) =Ф ( x ), pour tout réel x où Ф  est continue.

i→∞

5. Propriété

La relation entre les différents types de convergence est comme suit :

____________________________________________________________

La convergence en ¿>¿ La convergence en ¿>¿ La convergence

moyenne mesure en distribution

____________________________________________________________

6. Démonstration
Convergence en moyenne vs. Convergence en mesure

Puisque{ξi } converge en moyenne alors E ¿ 0 quand n  ∞.

Et d’après l’inégalité de Markov, on a : Cr (¿ ξ i−ξ∨≥ α ) ≤ E ¿ ¿ 0

Convergence en mesure vs. Convergence en distribution

Cas 1 : si y > x alors

On a

{ξi ≤ x } ={ξi ≤ x , ξ ≤ y } U{ξi ≤ x , ξ> y }  

⊂ {ξi ≤ x , ξ ≤ y } U{ξi ≤ x , ξ> y }

⊂{ξ ≤ y } U{ξi ≤ x , ξ> y }

⊂{ξ ≤ y } U{∨ξ i−ξ∨¿ ≤ y −x }¿

Donc {ξi ≤ x } ⊂{ξ ≤ y } U{∨ξ i−ξ∨¿ ≤ y −x }¿

D’où Cr {ξ i ≤ x } ≤ Cr {ξ ≤ y } +Cr {∨ξi −ξ∨¿ ≤ y−x }¿

Et puisque {ξ i} converge en mesure alors lim

i→∞
Cr(¿ ξi−ξ∨≥ y−x)= 0

Donc lim Cr {ξ i ≤ x } ≤ lim Cr {ξ ≤ y }

i→∞ i→∞

Ce qui signifie lim Фi ( x ) ≤ lim Ф ( y ) ≤ lim Ф ( y )

i→∞ i→ ∞ i→∞

D’où lim Фi ( x ) ≤Ф ( x ) pour x ->y

i→∞

Cas 2 : si z < x alors

On a {ξ ≤ z } ={ξ ≤ z , ξ i ≤ x } U {ξ ≤ z , ξ i> x } 

⊂{ξi ≤ x } U{∨ξ i−ξ∨≥ x−z }

Donc {ξ ≤ z }⊂{ξi ≤ x } U{∨ξ i−ξ∨≥ x−z }

D’où Cr {ξ ≤ z }≤Cr {ξ i ≤ x } +Cr {∨ξi −ξ∨≥ x−z }

Puisque lim Cr(¿ ξi−ξ∨≥ y−x)= 0

i→∞

Alors Cr {ξ ≤ z }≤ lim Cr {ξi ≤ x }

i →∞

Donc Ф ( x ) ≤ lim Ф i ( x ) pour z-> x

i→∞

Ce qu’il faut démontrer.

Applications

Soit ξ une variable incertaine linéaire L(a , b).

Sa distribution d’incertitude est :

{
0 si x <a
x−a
Ф ( x )= ¿ sia ≤ x ≤ b
b−a
¿1 si x >b
Quelqu'un pense que la taille de yousef est comprise entre 180 et 190
centimètres. La hauteur de yousef est alors une variable incertaine
linéaire L(180; 190) dont la distribution d'incertitude est

{
0 si x<180
x−180
Ф ( x )= ¿ si 180 ≤ x ≤190
10
¿ 1 si x> 190

La distribution d’incertitude réciproque est :

Ф−1(α ) = (1-α ).180 + 34200