Académique Documents
Professionnel Documents
Culture Documents
La théorie de Définition
probabilité La théorie Définition
d’incertitude
{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}
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.
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
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
b.Exemple
Soit T= {a, b, c}
L’ensemble L= {{a},{b;c}, T, ϕ} est une tribu de T.
c. espace mesurable
e. tribu de Borel
a. définition
∞
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.
a. Définition
b. exemple
I. Variables incertaines
a. Définition
{ξ ϵB}= { γ ϵ T / ξ (γ ) ϵ B}
a. Définition
b. Définition
{
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
e- Démonstration
f- Remarque
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
1- Théorème
2- Exemples
ξ est une
variable Sa distribution d’incertitude La représentation
incertaine réciproque Ф−1 graphique de Ф−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
4- Démonstration
5- Théorème
6- Démonstration
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).
3. Applications
4
A Note of the Expected Value and Variance of Fuzzy Variables.
Soit ξ une variable floue linéaire.
{
0 si x ≤ a
x−a
Ф ( x )= si a≤ x <b
b−a
1 si x ≥ b
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
3. Démonstration
1. Définition
E(ξ )= ∫ M ( ξ ≥ r ) dr − ∫ M ( ξ ≤r ) dr
0 −∞
2. Théorème
VII. La Variance
1. Définition
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
V(a ξ +b ) ¿a²V(ξ )
3. Proposition
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
6. Démonstration
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
9. exemple
1 1
=∫ ¿ ¿ – ab-a/2) d α
0
1. Définition
Ф ( x / A )= M ¿)
Avec M(A)>0
2. Théorème
{
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
{
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
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
(
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
3. Définition
lim E ¿ = 0
i→∞
4. Définition
On dit que la suite {ξi } converge en distribution (ou bien en loi) vers ξ si
5. Propriété
____________________________________________________________
____________________________________________________________
6. Démonstration
Convergence en moyenne vs. Convergence en mesure
On a
On a {ξ ≤ z } ={ξ ≤ z , ξ i ≤ x } U {ξ ≤ z , ξ i> x }
Applications
{
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